class ExpectedSarsaAgent(CartPoleAbstractAgent): def update_q(self, s: State, a: Action, r, s_next: State, a_next: Action): self.q[s][a] = self.q[s][a] + self.lr * (r + self.discount * np.dot(self.pi[s_next], self.q[s_next]) - self.q[s][a]) # update pi[s] best_a = np.random.choice(np.where(self.q[s] == max(self.q[s]))[0]) n_actions = self.env.action_space.n self.pi[s][:] = self.epsilon / n_actions self.pi[s][best_a] = 1 - (n_actions - 1) * (self.epsilon / n_actions)同样的 ， Expected SARSA 1000次迭代也能比较好的学到最佳policy 。
文章插图
文章插图
文章插图
点分享
文章插图
文章插图

• 开发自|不妥协不追随 Member’s Mark升级背后的“山姆哲学”
• 计算机学科|机器视觉系统是什么
• 阿尔法|击败李世石的AI公司，又研发出生物版“阿尔法狗”：破解50年生物学难题
• 互联网|政企学界人士西安共议数字经济 产业互联网发展向“西”行
• 高学历|薇娅一夜带货53.2亿，少不了这支高学历团队！
• 教学|机器人教学的目标方案
• 体验|VR\/AR体验、3D打印、机器人“对决”……松江这所中学人工智能创新实验室真的赞
• 操作|[LIVE On]黄敏贤和郑多彬充满心碎的下午：机器操作每次都不能通过测试
• 直播从业者|高三老师监考时开直播，面对质疑还振振有词，怕困没有打扰学生
• 跻身|安师大2学科跻身ESI全球前1%！新增的学科是……