Лаборатория Grid World RL
Интерактивная среда RL с Q-Learning, Value Iteration и Policy Iteration.
Агент перемещается по 2D-решётке, получает награды и учится политике, максимизирующей возврат, учитывая стены и терминальные цели.
- Q-Learning: model-free TD-обновление с epsilon-greedy исследованием.
- Value Iteration: обновления Беллмана для оптимальности по всем состояниям.
- Policy Iteration: чередование оценки политики и улучшения политики.
Конструктор мира
Задайте сетку, награды и стартовые условия.
x
Инструменты
Награды
Симуляция
Запускайте эпизоды и наблюдайте за поведением агента.
Информация о запуске
Отслеживание эпизодов и возврата в реальном времени.
Режим: Ожидание
Episode: 0 / 0
Шаги (эпизод): 0
Последний возврат: -
Политика и значения
Стрелки политики показывают жадные действия из Q или модельных обновлений.
Заметки по алгоритмам
- Q-Learning обновляет значения действий онлайн с бутстреп-целями.
- Value Iteration вычисляет оптимальные значения состояний из обновлений Беллмана.
- Policy Iteration чередует оценку и улучшение для сходимости.