烟台建设企业网站泰安新闻频道在线直播

张小明 2026/3/2 18:09:32
烟台建设企业网站,泰安新闻频道在线直播,西安网站制作服务商,wordpress idp理论基础#xff1a;注意#xff1a;1. get_policy_by_state_value_net() 是额外写的一个基于Q的贪心策略#xff0c;不属于QAC算法#xff0c;得到的策略不一定是最优的#xff0c;与get_policy_by_policy_net表现一致是偶然现象。2. 图片中的伪代码并没有说要生成多条ep…理论基础注意1. get_policy_by_state_value_net() 是额外写的一个基于Q的贪心策略不属于QAC算法得到的策略不一定是最优的与get_policy_by_policy_net表现一致是偶然现象。2. 图片中的伪代码并没有说要生成多条episode但这个为了保证每个(s,a)pair都能被访问到会生成多条episode。代码可运行import numpy as np import torch from torch import nn from env import GridWorldEnv from utils import drow_policy class QAC(object): def __init__(self, env: GridWorldEnv, gamma0.9, lr_actor1e-2, lr_critic1e-2): self.env env self.action_space_size self.env.num_actions self.state_space_size self.env.num_states self.gamma gamma self.pnet nn.Sequential( # policy_net nn.Linear(2, 16), # s - Π(a|s) nn.ReLU(), nn.Linear(16, self.action_space_size) ) self.qnet nn.Sequential( # q_value_net nn.Linear(2, 16), # s - q[s,a] nn.ReLU(), nn.Linear(16, self.action_space_size) ) self.value_optimizer torch.optim.Adam(self.qnet.parameters(), lrlr_critic) self.policy_optimizer torch.optim.Adam(self.pnet.parameters(), lrlr_actor) self.policy np.zeros((self.state_space_size, self.action_space_size)) self.q_value np.zeros((self.state_space_size, self.action_space_size)) def decode_state(self, state): :param state: int :return: 归一化后的元组 i state // self.env.size j state % self.env.size return torch.tensor((i / (self.env.size - 1), j / (self.env.size - 1)), dtypetorch.float32) def generate_action(self, state): :param state: tuple :return: int,float logits self.pnet(state) action_probs torch.softmax(logits, dim0) # π(a|s,θ) action_dist torch.distributions.Categorical(action_probs) # 按分布采样 action action_dist.sample() log_prob action_dist.log_prob(action) # In π(a|s,θ) 注意传入的是索引会自动做log(action_probs[action_index]) return action.item(), log_prob def solve(self, num_episodes200): for _ in range(num_episodes): state_int self.env.reset() state self.decode_state(state_int) done False while not done: action, log_prob self.generate_action(state) # a_t,s_t,In π(a_t|s_t,θ) next_state_int, reward, done self.env.step(state_int, action) # s_t1,r_t1 next_state self.decode_state(next_state_int) if not done: next_action, _ self.generate_action(next_state) # a_t1 else: next_action, action_prob None, None # Critic (value update) qvalue self.qnet(state)[action] # q(s_t,a_t) if done: td_target torch.tensor(reward, dtypetorch.float32) else: with torch.no_grad(): # semi gradient qvalue_next self.qnet(next_state)[next_action] # q(s_t1,a_t1) td_target torch.tensor(reward, dtypetorch.float32) self.gamma * qvalue_next delta td_target - qvalue # TD error self.value_optimizer.zero_grad() critic_loss 0.5 * delta.pow(2) critic_loss.backward() self.value_optimizer.step() # Actor (policy update) qvalue qvalue.detach() # 避免梯度污染 self.policy_optimizer.zero_grad() actor_loss -log_prob * qvalue actor_loss.backward() self.policy_optimizer.step() state_int next_state_int state next_state def get_policy_by_policy_net(self): for s in range(self.state_space_size): if s in self.env.terminal: self.policy[s,4]1 break s_t self.decode_state(s) logits self.pnet(s_t) action_probs torch.softmax(logits, dim0) atorch.argmax(action_probs) self.policy[s,a]1 return self.policy def get_policy_by_state_value_net(self): for s in range(self.state_space_size): if s in self.env.terminal: self.policy[s,4]1 break a np.argmax(self.q_value[s]) self.policy[s, a] 1 return self.policy def get_qvalues(self): for s in range(self.state_space_size): s_t self.decode_state(s) logits self.qnet(s_t).detach().numpy() # q(s,a)表示在状态s执行动作a后未来所有折扣回报的期望值不要取softmax然后取最大 self.q_value[s, :] logits return self.q_value 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 ) # 注意samples要大一点否则每个state被访问到的概率很小 vi QAC(envenv) vi.solve(num_episodes200) print(\n state value: ) print(vi.get_qvalues()) print(\n get policy by policy net:) drow_policy(vi.get_policy_by_policy_net(), env) print(\n get policy by state value net:) drow_policy(vi.get_policy_by_state_value_net(), env)运行结果1. 表现一致终点状态不是 . 是因为没有特殊处理其他代码保持不变。由于表现一致的情况很少因此不再继续展示特殊处理后的输出2. 表现不一致
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!

济南网站备案政务网站建设工作计划

MATLAB环境下一维时间序列信号的欠定盲源分离方法 代码为MATLAB环境下一维时间序列信号的欠定盲源分离方法。 首先利用各阶模态响应信号在时频域中的聚类特性估计结构的模态振型;然后,在已知振型矩阵的基础上,通过L1范数最小化算法分离出多个…

张小明 2026/1/11 8:49:45 网站建设

昂昂溪网站建设wordpress 会话已过期

Cursor限制解除终极指南:快速解决机器码限制问题 【免费下载链接】go-cursor-help 解决Cursor在免费订阅期间出现以下提示的问题: Youve reached your trial request limit. / Too many free trial accounts used on this machine. Please upgrade to pro. We have …

张小明 2026/1/11 8:47:40 网站建设

南昌做网站的公司多不多网络推广建设期的网站

人机关系中的“不可公度性”(incommensurability)并非指数学意义上的“无公因数”,而是指人与机器在存在论、认知论和价值论层面缺乏共同尺度,导致任何“对称”“等价”或“可通约”的交互模型都只能是权宜性的。综合最新研究&…

张小明 2026/1/11 8:45:38 网站建设

网站延迟加载在线考试系统网站模板

百度网盘下载加速终极方案:3个简单技巧告别限速烦恼 【免费下载链接】baidu-wangpan-parse 获取百度网盘分享文件的下载地址 项目地址: https://gitcode.com/gh_mirrors/ba/baidu-wangpan-parse 你是否曾经面对百度网盘的龟速下载,看着进度条缓慢…

张小明 2026/1/11 8:43:37 网站建设

网站内链建设的方法海淀团队组建网站

零延迟响应:Kitty终端在Windows系统的3大性能突破与实战指南 【免费下载链接】kitty Cross-platform, fast, feature-rich, GPU based terminal 项目地址: https://gitcode.com/GitHub_Trending/ki/kitty 告别龟速加载的煎熬,我们终于找到了Windo…

张小明 2026/1/11 8:41:35 网站建设

做网站动态效果心得浙江省建设厅网站证件

各种各样的编程语言不断崛起,但唯有Java是牢牢占据着老大的位置,目前几乎90%以上的大中型互联网应用系统在服务器端开发首选Java。 因此,也是吸引了不少年轻人投入到Java的学习之中。 所以,今天就跟大家分享一套系统的Java零基础…

张小明 2026/1/11 8:39:32 网站建设