質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.62%

deep q network 次の行動環境s'がランダムで決まる場合はどうすれば?

受付中

回答 0

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 739
退会済みユーザー

退会済みユーザー

自身で自作した簡単なゲームをdqnに学ばせようと考えています
そのゲームは、落下物を受け皿で受け止めたら+1 受け止められなかったらゲームオーバーというブロック崩しの簡易版のようなゲームです

そしてその落下物が落ちてくるのは完全にランダムです

import numpy as np
import random
import os
import msvcrt

def マス目作成(マス数):
    マス目リスト = []
    for i in range(マス数):
        マス目リスト.append("    ")

    return マス目リスト


def ゲーム画面作成(マス目リスト, 落下物, 受け皿, ポイント, 画像生成 = None):
    画像配列 = []
    print("ポイント", ポイント)
    if 落下物 < 64:
        print("落下物", 落下物)
        マス目リスト[落下物] = " ▼ "

    else:
        print("落下物", 落下物)

    if 受け皿 < 64:
        print("受け皿", 受け皿)
        マス目リスト[受け皿] = " __ "

    else:
        print("受け皿", 受け皿)

    if 画像生成:
        for イテレ in マス目リスト:
            if イテレ == "    ":
                画像配列.append(0)
            elif イテレ == " ▼ ":
                画像配列.append(1)
            elif イテレ == " __ ":
                画像配列.append(2)

        return np.array(画像配列).reshape(8, 8)


    マス目 = "{}{}{}{}{}{}{}{}\n"
    return (マス目 + マス目 + マス目 + マス目 + マス目 + マス目 +マス目 + マス目).format(*マス目リスト)

受け皿 = 59
ポイント = 0
while True:

    落下物 = random.randint(0, 7)
    if ポイント == -1:
        break

    for _ in range(9):

        os.system("CLS")
        print(ゲーム画面作成(マス目作成(64), 落下物, 受け皿, ポイント))

        コマンド入力 = ord(msvcrt.getwch())
        if コマンド入力 == 224:
            コマンド入力 = ord(msvcrt.getwch())

            if コマンド入力 == 75:
                if 受け皿 == 56:
                    pass
                else:
                    受け皿 -= 1

            elif コマンド入力 == 77:
                if 受け皿 == 63:
                    pass
                else:
                    受け皿 += 1

            elif コマンド入力 == 80:
                pass

        elif コマンド入力 == 27:
            ポイント = -1
            break

        落下物 += 8

        if _ == 6 and 落下物 == 受け皿:
            ポイント += 1

        elif _ == 6 and 落下物 != 受け皿:
            ポイント = -1
            break

一応ゲームのコードを貼っておきますが、汚かったらすいません。
そのままコピーして実行してもらえればどんな感じのゲームかはわかってもらえるかと思います
操作方法は、矢印キー左、右、下を押すだけです。
Escを押せば、ゲームを終了出来ます。

でここからが質問したい事です。
dqnパラメーターの更新させていくのに、次の行動の最大行動価値が分かる必要があるかと思います
新しい行動価値(s,a) = 現在の行動価値(s,a) + 学習率(α) * (報酬(r) + 割引率(γ) * 次の行動の最大行動価値(s',a') - 現在の行動価値(s,a)) 

が、今回のようにs'がランダムで決まってしまう場合、(今回の場合は、落下物の出力)更新式はどのようになるのでしょうか?

わかる方いらしたらよろしくお願いします。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

まだ回答がついていません

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.62%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る