Grid World 强化学习实验
包含 Q-Learning、Value Iteration、Policy Iteration 的交互式强化学习沙盒。
智能体在 2D 网格中移动、获得奖励，并学习在障碍与终止目标下最大化回报的策略。
- Q-Learning: 使用 epsilon-greedy 探索的无模型时序差分更新。
- Value Iteration: 对所有状态进行 Bellman 最优备份。
- Policy Iteration: 交替执行策略评估与策略改进。
世界构建器
定义网格、奖励与起始条件。
x
工具
奖励
仿真
运行回合并观察智能体行为。
运行信息
实时回合与回报跟踪。
模式： 空闲
回合： 0 / 0
步数(回合)： 0
上次回报： -
策略与价值
策略箭头表示基于 Q 值或模型更新的贪心动作。
算法说明
- Q-Learning 使用自举目标在线更新动作价值。
- Value Iteration 使用 Bellman 备份计算最优状态价值。
- Policy Iteration 交替评估与改进直至收敛。