在强化学习实践四中我们编写了一个简单的个体(Agent)类,并在此基础上实现了SARSA(0)算法。本篇将主要讲解SARSA(λ)算法的实现,由于前向认识的SARSA(λ)算法实际很少用到,我们将只实现基于反向认识的SARSA(λ)算法,本文后续如未特别交代,均指的是基于反向认识的SARSA(λ)。
SARSA(λ)算法的实现
该算法的流程图如下:
其特点是需要额外维护一张E表,来衡量一个Episode内个体早期经过的状态对后续状态行为价值贡献的重要程度。在David Silver《强化学习RL》第五讲 不基于模型的控制中,已经用文字描述详细比较了SARSA(0)和SARSA(λ)之间的区别,我们来看看这些区别是如何反映在代码中的。
我们在上一篇使用的Agent类的基础上作些针对性的修改,主要表现在:添加一个字典成员变量E(也可以将其设为learning方法里的局部变量),支持对E的初始化、查询、更新、重置操作;修改learning方法。至于个体执行策略、执行行为的方法不需更改。完整的代码如下:
from random import random
from gym import Env
import gym
from gridworld import *
class SarsaLambdaAgent(object):
def __init__(self, env:Env):
self.env = env
self.Q = {} # {s0:[,,,,,,],s1:[]} 数组内元素个数为行为空间大小
self.E = {} # Eligibility Trace
self.state = None
self._init_agent()
return
def _init_agent(self):
self.state = self.env.reset()
s_name = self._name_state(self.state)
self._assert_state_in_QE(s_name, randomized = False)
# using simple decaying epsilon greedy exploration
def _curPolicy(self, s, num_episode, use_epsilon):