2021-10-17 3.5

def policy_iteration(env, policy, dicount_factor=1.0):
    while True:
        V = policy_evaluation(policy, env, dicount_factor)  # 策略评估
        policy_stable = True  # policy标志位,当某个状态策略变化后,变为false
        for s in range(env.nS):  # 遍历状态
            old_action = np.argmax(policy[s])  # 在当前状态和策略下,选择概率最高的动作
            action_values = np.zeros(env.nA)  # 初始化该状态下的动作值
            for a in range(env.nA):
                for prob, next_state, reward, done in env.P[s][a]:
                    action_values[a] += prob * (reward + dicount_factor * V[next_state])
            best_action = np.argmax(action_values)
            if old_action != best_action:
                policy_stable = False
            policy[s] = np.eye(env.nA)[best_action]  # 将存在概率的动作策略,变为确定策略,即动作值最大的动作概率置为1
        if policy_stable:
            return policy, V
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值