ic商城网站建设有没有好玩的网页游戏

张小明 2025/12/27 0:38:01
ic商城网站建设,有没有好玩的网页游戏,新网站建设怎么样,电商网站开发岗位职责这里直接融合了first visit和every visit#xff0c;当选择every visit#xff0c;策略更新使用stochastic的epsilon greedy#xff1b;选择first visit#xff0c;策略更新使用greedy。理论基础#xff1a;需要说明#xff1a;1. 由于我发现agent大多数时候更倾向于呆在…这里直接融合了first visit和every visit当选择every visit策略更新使用stochastic的epsilon greedy选择first visit策略更新使用greedy。理论基础需要说明1. 由于我发现agent大多数时候更倾向于呆在原地因为走到终点的reward太小而走到forbidden或者boundary的reward又是很大的负数因此呆在原地是长远考虑。因此我增加了r_stay当模型决定留在原地就给一定的惩罚。在env.py中添加即可。同时注意测试时r_boundary和r_forbidden不应该设置的太小。2. 在env.py的step方法中需要调整可以允许agent进入forbidden区域。if not (0 ni self.size and 0 nj self.size): next_state self.state_id(i,j) else: next_state self.state_id(ni,nj)from collections import defaultdict import numpy as np from env import GridWorldEnv from utils import drow_policy class MonteCarloPolicyIteration(object): def __init__(self, env: GridWorldEnv, gamma0.9, samples1, modefirst visit): self.env env self.action_space_size self.env.num_actions # 上下左右原地 self.reward_space_size self.env.reward_space_size # 执行每个动作的reward self.state_space_size self.env.num_states self.reward_list self.env.reward_list self.gamma gamma self.samples samples self.mode mode self.policy np.ones((self.state_space_size, self.action_space_size)) / self.action_space_size self.state_value np.zeros((self.env.size, self.env.size)) self.qvalues np.zeros((self.state_space_size, self.action_space_size)) self.returns np.zeros((self.state_space_size, self.action_space_size)) # 必须初始化为0不是zeros_like self.nums np.zeros((self.state_space_size, self.action_space_size)) def solve(self, iterations20, epsilon0.1): :param iterations: 迭代的次数 :param epsilon: epsilon greedy[0,1] epsilon0greedy就选择best actionepsilon1:stochastic选择所有action的概率相同 for i in range(iterations): for _ in range(self.samples): # 随机选择一个非终点状态作为起始状态,确保所有的状态都能被充分访问 non_terminal_states [i for i in range(self.state_space_size) if i not in self.env.terminal] s np.random.choice(non_terminal_states) a np.random.choice(self.action_space_size, pself.policy[s]) # 按policy采样 episode self.generate_episodes(s, a) self.update_q_from_episode(episode) for s in range(self.state_space_size): if s in self.env.terminal: self.policy[s] np.eye(self.action_space_size)[4] else: best_a np.argmax(self.qvalues[s]) if self.modeevery visit: # 如果是first visit很多(s,t)可能被访问了很多次但是却只用它做了一次action value的估计 # epsilon greedy self.policy[s] epsilon / self.action_space_size # 给其他action小概率 self.policy[s, best_a] 1 - epsilon # 给最有可能的action大概率 elif self.modefirst visit: # 实际对应epsilon0的情况 self.policy[s]np.eye(self.action_space_size)[best_a] self.state_value np.sum(self.policy * self.qvalues, axis1).reshape(self.env.size, self.env.size) def generate_episodes(self, start_state, start_action, max_steps200): :param start_state: 当前状态的state_id :param start_action: 当前动作 :return: [(state_id, actionreward),(...)] episode [] state start_state action start_action for _ in range(max_steps): next_state, reward, done self.env.step(state, action) episode.append((state, action, reward)) if done: break state next_state action np.random.choice(self.action_space_size, pself.policy[state]) # 从[0,action_space_size)随机选一个每个action的概率为policy[state] return episode def update_q_from_episode(self, episode): G 0 visit set() for s, a, r in reversed(episode): # 如果直接使用reversed(episode)就会同时把tuple内部也反转了 G r self.gamma * G if self.mode first visit: if (s, a) not in visit: self.returns[s, a] G self.nums[s, a] 1 self.qvalues[s, a] self.returns[s, a] / self.nums[s, a] elif self.mode every visit: self.returns[s, a] G self.nums[s, a] 1 self.qvalues[s, a] self.returns[s, a] / self.nums[s, a] else: raise Exception(Invalid mode) if __name__ __main__: env GridWorldEnv( size5, forbidden[(1, 2),(3,3)], terminal[(4,4)], r_boundary-1, r_other-0.04, r_terminal1, r_forbidden-1, r_stay-0.1 ) vi MonteCarloPolicyIteration(envenv, gamma0.9, samples10, modeevery visit) vi.solve(iterations10000, epsilon0.3) # 只有modeevery visit才需要传入epsilon print(\n state value: ) print(vi.state_value) drow_policy(vi.policy, env)对于相同的配置iteration100、1000、10000时策略分别是可以发现iteration越大策略越优。由于stochastic因此相同的配置运行多次结果也很大概率不同大多数时候agent在进行一些exploration因此看起来策略并不是最好的。因此epsilon greedy实际上是牺牲了最优性换取了更多的explorationepsilon越小越接近最优greedyepsilon越大跑的时间也越长。
版权声明:本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!

app界面设计网站自己做网站 需要会什么

新闻组与Windows Messenger使用指南 在网络交流中,新闻组和即时通讯工具都是非常实用的交流平台。下面将详细介绍在新闻组中进行消息回复、附件下载、多部分附件下载、消息搜索,以及如何创建Windows Messenger的Passport账户。 1. 回复新闻组消息 在新闻组中,回复他人的消…

张小明 2025/12/26 22:58:05 网站建设

企业网站标题如何设置甘肃省建设厅备案在哪个网站

ALVR作为一款开源的PC VR无线串流工具,通过Wi-Fi将SteamVR游戏从电脑传输到VR头显设备。在享受无线自由的同时,了解其安全特性和隐私保护机制至关重要。本文将带您全面了解ALVR的安全架构、权限管理和网络配置,助您构建安全可靠的VR串流环境。…

张小明 2025/12/27 0:52:59 网站建设

用二级域名做网站群网站弹窗代码

常见 IT 问题解决方案 在 IT 管理中,我们经常会遇到各种问题,下面将为大家介绍一些常见问题的解决方法。 1. 计划任务 计划任务是一种非常实用的工具,它允许我们远程访问每台计算机上的计划任务文件夹,并且可以在每个任务中包含账户名和密码,无需依赖用户提供运行任务(…

张小明 2025/12/27 0:52:46 网站建设

建网站代理商网络用户提要求找人帮忙做的网站

GitHub 主页 在我 40 年的编程生涯中,实时通信技术的发展让我既兴奋又困惑。从早期的长轮询到 WebSocket,再到服务器发送事件,每种技术都有自己的适用场景,但也带来了开发复杂性的急剧增加。 最近的一个实时协作平台项目让我深刻…

张小明 2025/12/26 5:32:10 网站建设

ps制作网站导航图片国内知名的wordpress网站

第一章:Open-AutoGLM实战指南:跨境贸易自动化概览随着全球供应链数字化进程加速,跨境贸易自动化正成为企业提升效率的核心路径。Open-AutoGLM 作为一款基于大语言模型的开源自动化框架,专为复杂业务流程设计,尤其适用于…

张小明 2025/12/26 11:13:15 网站建设