【gym】【离散动作空间】【Lunar Lander 月球着陆器】

已于 2024-08-25 14:57:29 修改
阅读量1.1k 收藏 18
点赞数 11
分类专栏： 算法 笔记 文章标签： 算法 笔记
于 2024-08-25 14:50:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wq6qeg88/article/details/141529208
版权

目录

Lunar Lander 月球着陆器

Description 描述

Action Space 动作空间

Observation Space观察空间

Rewards 奖励

Starting State起始状态

Episode Termination回合终止

Arguments 参数

Version History版本历史记录

Lunar Lander 月球着陆器

../../../_images/lunar_lander.gif​

This environment is part of the Box2D environments. Please read that page first for general information.
此环境是 Box2D 环境的一部分。请先阅读该页面以获取一般信息。

Action Space

动作空间

Discrete(4) 

Observation Shape 

状态形状

(8,)

Observation High

状态上限

[1.5 1.5 5. 5. 3.14 5. 1. 1. ]
[1.5 1.5 5.5. 3.14 5.1. 1.]

Observation Low

状态下限

[-1.5 -1.5 -5. -5. -3.14 -5. -0. -0. ]

Import 

gym.make("LunarLander-v2")

Description 描述

This environment is a classic rocket trajectory optimization problem. According to Pontryagin’s maximum principle, it is optimal to fire the engine at full throttle or turn it off. This is the reason why this environment has discrete actions: engine on or off.
这个环境是一个经典的火箭弹道优化问题。根据 Pontryagin 的最大值原理，最好在全油门时点燃发动机或将其关闭。这就是此

最低0.47元/天 解锁文章
PyTorch强化学习实战（1）——强化学习环境配置与PyTorch基础
盼小辉丶的博客
05-29 15万+
工欲善其事，必先利其器。为了更专注于学习强化学习的思想，而不必关注其底层的计算细节，我们首先搭建相关强化学习环境，包括 PyTorch 和 Gym，其中 PyTorch 是我们将要使用的主要深度学习框架，Gym 则提供了用于各种强化学习模拟和任务的环境。除此之外，本文还介绍了一些 PyTorch 的基础知识，以及 Gym 环境的使用方法，为之后的强化学习实战奠定基础。
NEAT 算法解决 Lunar Lander 问题：从理论到实践
最新发布
盼小辉丶的博客
04-20 637
Lunar Lander 是 Gym 中的一个经典强化学习环境，目标是控制一个宇航着陆器在月球表面安全着陆。本节，通过使用 NEAT 来解决了 Lunar Lander 问题，通过探索神经网络结构的进化，能够自动优化策略以适应复杂的任务。
pytorch-LunarLander:OpenAI Gym中针对LunarLander-v2环境的不同Deep RL算法的PyTorch实现
05-18
pytorch-LunarLander OpenAI Gym中针对LunarLander-v2环境的不同Deep RL算法的PyTorch实现 我们实施了3种不同的RL算法来解决LunarLander-v2环境： 模仿学习 加强 优势-演员-批评（A2C） 注意：模仿学习是在Keras中实现的，另外两种算法是在PyTorch中实现的 指示： 安装所有依赖项 克隆仓库 运行以下命令： 3.1）python imitation.py 3.2）python reinforce.py 3.3）python a2c.py
【学习笔记】Gymnasium入门(一)
Chase Blog
04-06 670
强化学习（Reinforcement Learning, RL）是一种机器学习方法，通过与环境的交互来学习如何采取行动，以最大化累积奖励。强化学习在机器人控制、游戏 AI、自动驾驶等领域有广泛应用。
RL算法解决gym中的LunarLander-v2游戏（可用的资料）
思念殇千寻的博客
05-23 2627
　　参考资料： 　　https://github.com/ranjitation/DQN-for-LunarLander/ 　　https://github.com/XinliYu/Reinforcement_Learning-Projects/tree/master/LunarLander 　　https://stanford-cs221.github.io/autumn2019-ex...
解决gym的LunarLander报错问题
ReadyShowShow的博客
06-24 765
报错信息 AttributeError: module 'gym.envs.box2d' has no attribute 'LunarLander' 解决办法 pip install gym conda install swig pip install box2d box2d-kengz --user
运行LunarLander-v2等gym游戏时候出现报错 AttributeError: module ‘gym.envs.box2d‘ has no attribute ‘LunarLander‘
weixin_45828082的博客
04-12 4410
安装box2d-py出现错误
【机器学习】强化学习（六）-DQN(Deep Q-Learning)训练月球着陆器示例
cxyhjl的博客
01-23 2733
概述Deep Q-Learning（深度 Q 学习）是一种强化学习算法，用于解决决策问题，其中代理（agent）通过学习在不同环境中采取行动来最大化累积奖励。Lunar Lander 是一个经典的强化学习问题，其中代理的任务是控制一个着陆舱在月球表面着陆，最小化着陆过程中的燃料消耗。以下是使用 Deep Q-Learning 解决 Lunar Lander 问题的基本步骤：环境建模： 首先，需要对...
lunar-lander:深入的Q学习，登上月球
03-26
月球着陆器 使用DQL解决LunarLander-v2 ！[]（ ） 入门 要启动并运行本地副本，请按照以下步骤操作。 依存关系 Python 3.8 NumPy Matplotlib TensorFlow Keras 健身房 Box2D 安装 克隆仓库 git clone git@...
dueling_dqn_lunar_lander
03-02
在这个项目中，我们建立了一个使用Experience Replay作为强化学习代理的Dueling Deep Q网络，以解决OpenAI Gym中离散的Lunar Lander环境。 这种环境的目标是使“月球着陆器”以零速度着陆在着陆垫上。 当平均奖励为+...
DI-engine强化学习入门（一）使用强化学习模型控制月球着陆器
weixin_68094467的博客
06-02 780
gym是一个强化学习的Python库，它依赖box2d，box2d是一个游戏领域的2D图形引擎，它在运行时又会依赖到swig，swig是一个将c/c++代码封装为Python库的工具（是Python调用c/c++库的一种常见手段）。DI-engine 是一个由 OpenDILab 提供的开源强化学习（Reinforcement Learning，简称RL）库，它旨在提供一个易于使用、灵活且高效的RL算法研究和应用平台。控制程序观前提醒：本章内容为训练一个强化学习模型，并使用强化学习模型控制月球着陆器。
LunarLanderContinuous-v2:月球着陆器连续版-v2
03-11
LunarLanderContinuous-v2:月球着陆器连续版-v2
LunarLander-v2_DeepRL:基于OpenAI LunarLander-v2 DeepRL的解决方案（DQN，DuallingDQN，D3QN）
04-20
基于OpenAI LunarLander-v2 DeepRL的解决方案 使用深度Q网络（DQN），决斗DQN和决斗双DQN（D3QN） 在硕士论文“基于DeepRL的室内移动机器人导航运动计划”的制定下进行的调查@ @系统与机器人研究所-科英布拉大学（ISR-UC） 软件/要求 模块 软件/硬件 Python IDE 皮查姆 深度学习库 Tensorflow + Keras 显卡 GeForce MX 250 口译员 Python 3.8 Python环境 水蟒 配套 requirements.txt 要设置Pycharm + Anaconda + GPU，请在查阅设置文件。 要导入所需的包 ，请在项目环境终端中输入以下说明： 点安装-r requirements.txt :warning: 警告 :warning: 培训生成一个，该跟踪达到环境要求的网络模型（“ tf”和.h5格式）。 此外，还将
LunarLanderAgent:张量流对月球体的强化学习
03-21
LunarLanderAgent 张量流的LunarLander强化学习 我在启动Box2d安装时遇到了困难，我尝试使用pip install Box2d而不是pip install gym[all]并成功了。 确保环境正常运行： 虚拟代码： import numpy as np import matplotlib.pyplot as plt import tensorflow as tf import gym env = gym.make('LunarLander-v2') obs = env.reset() for i in range(1000): obs, reward, done, info = env.step(env.action_space.sample()) env.render() if done: break env.clos
Reinforcement Learning(强化学习)-LunarLander-v2 环境介绍
phymat.nico的专栏
08-23 2065
Python强化练习之PyTorch opp算法实现月球登陆器_python_脚本中心 - 编程客栈在OpenAI Gym中用DQN玩月球着陆游戏 - 知乎https://www.jianshu.com/p/c1db5870fb1bReinforcement Learning(强化学习)-LunarLander-v2 环境介绍 | 文艺数学君深度强化学习系列(8): Prioritized Experience Replay(PER-DQN)原理及实现_旺财搬砖记的博客-CSDN博客
【机器学习】强化学习（八）-深度确定性策略梯度（DDPG）算法及LunarLanderContinuous-v2环境训练示例...
cxyhjl的博客
01-26 1027
训练效果DDPG算法是一种基于演员-评论家（Actor-Critic）框架的深度强化学习（Deep Reinforcement Learning）算法，它可以处理连续动作空间的问题。DDPG算法描述如下：GPT-4 TurboCopilot GPT-4DDPG算法伪代码：深度确定性策略梯度（DDPG）算法，用于训练一个智能体解决OpenAI Gym中的LunarLanderContinuous-v...
强化学习实践：DDQN—LunarLander月球登入初探
weixin_43146803的博客
10-09 5547
强化学习实践！DDQN初次实践详细记录，新手也能好好玩耍啦
【强化学习】玩转Box2D游戏:LunarLander
m0_63642362的博客
02-11 3635
使用强化学习算法（SAC）玩转Box2D游戏党的游戏环境（LunarLander）
【机器学习】强化学习（七）-策略梯度算法-REINFORCE 训练月球着陆器代理（智能体）...
cxyhjl的博客
01-24 1310
概 述月球着陆器代理是一个模拟飞行器在月球表面着陆的环境，它有八个连续的状态变量，分别是水平坐标、垂直坐标、水平速度、垂直速度、角度、角速度、腿1触地、腿2触地。它有四个离散的动作，分别是什么都不做、发动左方向引擎、发动主引擎、发动右方向引擎。训练月球着陆器代理的目标是使飞行器能够安全地降落在两个黄色旗帜之间的停机坪上，最小化燃料消耗和着陆时间。为了实现这个目标，我们可以用策略梯度算法来训练一个神...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

资源存储库

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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