Создайте окружение марковского процесса принятия решений для обучения с подкреплением
A Марковского процесса принятия решений (MDP) является стохастическим процессом управления с дискретным временем. Это обеспечивает математическую среду для моделирования принятия решений в ситуациях, когда результаты частично случайны и частично находятся под контролем лица, принимающего решения. MDP полезны для изучения задач оптимизации, решаемых с помощью обучения с подкреплением. Использование rlMDPEnv создать окружение марковского процесса принятия решений для обучения с подкреплением в MATLAB®.
getActionInfo | Получите спецификации данных о действии из окружения обучения с подкреплением или от агента |
getObservationInfo | Получите спецификации данных о наблюдении из окружения обучения с подкреплением или от агента |
sim | Симулируйте обученных агентов обучения с подкреплением в заданном окружении |
train | Обучите агентов обучения с подкреплением в заданном окружении |
validateEnvironment | Проверьте пользовательское окружение обучения с подкреплением |
В данном примере рассмотрим мир сетки 5 на 5 со следующими правилами:
Мир сетки 5 на 5 ограничен границами, с 4 возможными действиями (Север = 1, Юг = 2, Восток = 3, Запад = 4).
Агент стартует с камеры [2,1] (вторая строка, первый столбец).
Агент получает вознаграждение + 10, если он достигает конечного состояния в камере [5,5] (синяя).
Среда содержит специальный переход от камеры [2,4] к камере [4,4] с вознаграждением + 5.
Агент блокируется препятствиями в камерах [3,3], [3,4], [3,5] и [4,3] (черные камеры).
Все другие действия приводят к вознаграждению -1.
Во-первых, создайте GridWorld объект с использованием createGridWorld функция.
GW = createGridWorld(5,5)
GW =
GridWorld with properties:
GridSize: [5 5]
CurrentState: "[1,1]"
States: [25x1 string]
Actions: [4x1 string]
T: [25x25x4 double]
R: [25x25x4 double]
ObstacleStates: [0x1 string]
TerminalStates: [0x1 string]
Теперь установите начальное, терминальное и препятствующее состояния.
GW.CurrentState = '[2,1]'; GW.TerminalStates = '[5,5]'; GW.ObstacleStates = ["[3,3]";"[3,4]";"[3,5]";"[4,3]"];
Обновите матрицу переходов состояний для состояний препятствий и установите правило скачка над состояниями препятствий.
updateStateTranstionForObstacles(GW) GW.T(state2idx(GW,"[2,4]"),:,:) = 0; GW.T(state2idx(GW,"[2,4]"),state2idx(GW,"[4,4]"),:) = 1;
Затем задайте вознаграждения в матрице вознаграждений при переходе.
nS = numel(GW.States); nA = numel(GW.Actions); GW.R = -1*ones(nS,nS,nA); GW.R(state2idx(GW,"[2,4]"),state2idx(GW,"[4,4]"),:) = 5; GW.R(:,state2idx(GW,GW.TerminalStates),:) = 10;
Теперь используйте rlMDPEnv создать окружение мира сетки с помощью GridWorld GW объекта.
env = rlMDPEnv(GW)
env =
rlMDPEnv with properties:
Model: [1x1 rl.env.GridWorld]
ResetFcn: []
Вы можете визуализировать окружение мира сетки с помощью plot функция.
plot(env)
