赵继超的笔记

文章目录0. 任务描述1. 伪代码2. Python 代码实现2.1 初始化一些参数2.2 新建一个空的 Q 表2.3 行为选择2.4 环境反馈2.5 更新环境2.6 主循环Ref: 看了两天书本《深入浅出强化学习》，感觉对概念理解的还是太笼统。鉴于做中学的思想，准备找个小例子跑一跑程序，加深下理解。 找了很多，要么太难，要么太笼统。只找到了莫烦Python老师的这个小例子，不仅有代码，还有视频讲解，感觉很多，跟着大佬学一学。 0. 任务描述 使用的任务是一个1维世界，在世界的右边有宝藏，智能体只要得到宝藏

文章目录3.1 基于模型的动态规划方法理论 3.1 基于模型的动态规划方法理论

文章目录2.1 马尔科夫决策过程理论讲解2.3 基于 gym 的 MDP 实例讲解Appendixgrid_mdp.py 文件代码 2.1 马尔科夫决策过程理论讲解 马尔科夫决策过程由元组（S,A,P,R,γS, A, P, R, \gammaS,A,P,R,γ）描述，其中： SSS 为有限的状态集 AAA 为有限的动作集 PPP 为状态转移概率 RRR 为回报函数 γ\gammaγ 为折扣因子，用来计算累积回报 2.3 基于 gym 的 MDP 实例讲解 Appendix grid_mdp.py 文件代码

文章目录1.5 强化学习仿真环境构建1.5.1 gym 安装及简单的 demo 示例1.5.2 深入剖析gym环境构建 1.5 强化学习仿真环境构建 1.5.1 gym 安装及简单的 demo 示例 pip3 install gym 最简单的例子 import gym % 导入Gym模块 env = gym.make('CartPole-v0') % 创建一个小车倒立摆模型 env.reset() % 初始化环境 env.render() % 刷新当前环境并显示 通过这6步，就可以得到一个小车倒立摆系

文章目录案例【不倒翁】案例【小车自适应翻越小沟】Ref: 案例【不倒翁】 import gym import time ''' 基于强化学习实现不倒翁特性：自动平衡恢复 ''' if __name__ == "__main__": env = gym.make('CartPole-v0') for i_episode in range(20): observation = env.reset() for t in range(100):