解锁gym自定义环境与gridworld网格可视化

引言:

        在强化学习领域，OpenAI Gym作为一个标准的测试平台，为研究者和开发者提供了一系列预设环境。然而，面对特定问题或复杂应用场景时，创建自定义环境成为了必要。本文将引导你穿越自定义Gym环境的迷宫，联合gridworld网格可视化，让你的强化学习模型在专属的沙盒中自由探索。结尾附上Qlearning算法接入效果及结果。

Gym核心概念

1. 环境（Environment）: 在 Gym 中，环境是对现实世界或抽象问题的模拟。每个环境定义了一个任务，智能体在这个环境中通过采取行动并接收反馈来学习。环境的设计遵循 Markov 决策过程（MDP）框架，包括状态（State）、动作（Action）、奖励（Reward）和转移概率（Transition Probability）。

2. 状态（State）: 表示环境在某一时刻的配置或智能体所处的情况。状态可以是连续的也可以是离散的，具体取决于环境。

3. 动作（Action）: 智能体为了改变环境状态而采取的行为。动作同样可以是连续或离散的，与状态类型相对应。

4. 奖励（Reward）: 智能体执行某个动作后从环境中接收到的反馈，是评估动作好坏的标准，也是强化学习算法优化的目标。

5. 观测（Observation）: 智能体