Lab Grid World RL
Sandbox RL interaktif dengan Q-Learning, Value Iteration, dan Policy Iteration.
Agen bergerak di grid 2D, menerima reward, dan belajar kebijakan yang memaksimalkan return sambil menangani dinding dan tujuan terminal.
- Q-Learning: update TD tanpa model dengan eksplorasi epsilon-greedy.
- Value Iteration: backup optimalitas Bellman untuk semua state.
- Policy Iteration: bergantian evaluasi dan perbaikan kebijakan.
World Builder
Definisikan grid, reward, dan kondisi awal.
x
Alat
Reward
Simulasi
Jalankan episode dan periksa perilaku agen.
Info Jalankan
Pelacakan episode dan return secara langsung.
Mode: Idle
Episode: 0 / 0
Langkah (episode): 0
Return terakhir: -
Kebijakan & Nilai
Panah kebijakan menunjukkan aksi greedy dari nilai Q atau update berbasis model.
Catatan Algoritma
- Q-Learning memperbarui nilai aksi secara online dengan target bootstrap.
- Value Iteration menghitung nilai state optimal dari backup Bellman.
- Policy Iteration bergantian evaluasi dan perbaikan hingga konvergen.