回答編集履歴
2
追記
answer
CHANGED
|
@@ -1,3 +1,9 @@
|
|
|
1
|
+
**追記:**
|
|
2
|
+
この解答欄のrunner.pyと別の回答のenvs.pyを使ってください。
|
|
3
|
+
|
|
4
|
+
---
|
|
5
|
+
|
|
6
|
+
|
|
1
7
|
**■動かすまで**
|
|
2
8
|
コメントにも書きましたが、gym側は環境を提供するしかできないため、自前でQ学習をする環境を用意してあげないといけないようです。
|
|
3
9
|
|
|
@@ -12,6 +18,7 @@
|
|
|
12
18
|
|low_bound|行動の取りえる選択肢の最小値|
|
|
13
19
|
|high_bound|行動の取りえる選択肢の最大値|
|
|
14
20
|
|
|
21
|
+
|
|
15
22
|
この「行動の取りえる選択肢数」は離散値である必要があるそうで、本当はいろいろめんどくさいことをやらないといけませんが、Takahiro Kuboさんのコードがそれを吸収してくれます。コードをひとまとめにした方が扱いやすいため、コピペで１つにまとめました。
|
|
16
23
|
|
|
17
24
|
**■補足**
|
|
@@ -21,209 +28,224 @@
|
|
|
21
28
|
Takahiro Kuboさん：素晴らしいコードを公開いただいた漢気にこの場を使って感謝いたします。ありがとうございます。
|
|
22
29
|
shi.hiさん：強化学習に手を付けるきっかけを頂けました。ありがとうございます。
|
|
23
30
|
|
|
24
|
-
|
|
31
|
+
runner.py
|
|
25
32
|
```Python3
|
|
33
|
+
# Original code was provided on https://github.com/icoxfog417/techcircle_openai_handson
|
|
34
|
+
# that provided as MIT license by Takahiro Kubo.
|
|
35
|
+
# This was modified from "handson3.py".
|
|
36
|
+
|
|
26
|
-
import
|
|
37
|
+
import os
|
|
27
|
-
import numpy as np
|
|
28
|
-
import
|
|
38
|
+
import sys
|
|
39
|
+
|
|
29
40
|
import math
|
|
30
|
-
import
|
|
41
|
+
import argparse
|
|
31
|
-
import
|
|
42
|
+
import gym
|
|
32
|
-
import random
|
|
33
43
|
|
|
34
|
-
class Game(gym.core.Env):
|
|
35
|
-
#初期条件や各種変数の初期格納する。
|
|
36
|
-
def __init__(self):
|
|
37
|
-
self.hunter_Position_X=random.randint(0,5)
|
|
38
|
-
self.hunter_Position_Y=random.randint(0,5)
|
|
39
|
-
# print("鬼の初期位置は"+str(self.hunter_Position_X),self.hunter_Position_Y)
|
|
40
|
-
#selfでグローバル変数化している。鬼のx,y座標をランダムに配置。
|
|
41
|
-
self.fugitive_Position_X=random.randint(0,5)
|
|
42
|
-
self.fugitive_Position_Y=random.randint(0,5)
|
|
43
|
-
# print("逃亡者の初期位置は"+str(self.fugitive_Position_X),self.fugitive_Position_Y)
|
|
44
|
-
#selfでグローバル変数化している。逃亡者のx,y座標をランダムに配置。fugitiveは逃亡者という意味。
|
|
45
|
-
while self.hunter_Position_X == self.fugitive_Position_X and self.hunter_Position_Y == self.fugitive_Position_Y:
|
|
46
|
-
self.hunter_Position_X=random.randint(0,5)
|
|
47
|
-
self.hunter_Position_Y=random.randint(0,5)
|
|
48
|
-
#print(self.hunter_Position_X,self.hunter_Position_Y)
|
|
49
|
-
#逃亡者と鬼の位置が完全に一致している場合、鬼の初期位置を再度決める。
|
|
50
|
-
self.game_count=0
|
|
51
|
-
#1ゲームで行動できる上限を設定をしている。今回は10回とする。
|
|
52
|
-
self.initial_distance=int(100*math.sqrt((self.hunter_Position_X-self.fugitive_Position_X)**2+(self.hunter_Position_Y-self.fugitive_Position_Y)**2))
|
|
53
|
-
# print("初期の距離は"+str(self.initial_distance))
|
|
54
|
-
#鬼と逃亡者の距離を定義する。ただの三平方の定理。自然数で処理するため100倍した。
|
|
55
|
-
self.lists = []
|
|
56
|
-
#距離を格納するリスト。
|
|
57
|
-
self.current_hunter_profit_lists = []
|
|
58
|
-
#鬼の報酬を各ステップごとに加える。
|
|
59
|
-
self.current_fugitive_profit_lists = []
|
|
60
|
-
#逃亡者の報酬を各ステップごとに加える。
|
|
61
44
|
|
|
62
|
-
self.action_space = gym.spaces.Discrete(4)
|
|
63
|
-
low = np.array([0, 0, 0, 0])
|
|
64
|
-
high = np.array([5, 5, 5, 5])
|
|
65
|
-
|
|
45
|
+
RECORD_PATH = os.path.join(os.path.dirname(__file__), "./upload")
|
|
66
|
-
#逃走エリアを定義している。
|
|
67
|
-
self.hunter_reward=0
|
|
68
|
-
self.fugitive_reward=0
|
|
69
|
-
#鬼と逃亡者の報酬を0で初期化している。
|
|
70
|
-
self.learn_count=0
|
|
71
|
-
#学習回数を10000回と制限。
|
|
72
|
-
|
|
46
|
+
from collections import defaultdict
|
|
73
|
-
|
|
47
|
+
import numpy as np
|
|
74
48
|
|
|
49
|
+
####
|
|
75
|
-
|
|
50
|
+
class COMMON():
|
|
76
|
-
self.game_count += 1
|
|
77
|
-
|
|
51
|
+
# target_env = "myenv-v1" # "CartPole-v0"
|
|
78
|
-
|
|
52
|
+
# target_env = "CartPole-v0"
|
|
79
|
-
|
|
53
|
+
target_env = "myenv-v1"
|
|
80
|
-
self.hunter_Position_X += 1
|
|
81
|
-
if action == 1 and self.hunter_Position_X > 0:
|
|
82
|
-
self.hunter_Position_X -= 1
|
|
83
|
-
if action == 2 and self.hunter_Position_Y < 5:
|
|
84
|
-
self.hunter_Position_Y += 1
|
|
85
|
-
if action == 3 and self.hunter_Position_Y > 0:
|
|
86
|
-
self.hunter_Position_Y -= 1
|
|
87
|
-
# print("鬼の位置は"+str(self.hunter_Position_X),self.hunter_Position_Y)
|
|
88
|
-
# print("逃亡者の位置は"+str(self.fugitive_Position_X),self.fugitive_Position_Y)
|
|
89
54
|
|
|
90
|
-
|
|
55
|
+
if target_env == "" "CartPole-v0":
|
|
56
|
+
bins_size = [3, 3, 8, 5] # number of splitted parameters
|
|
57
|
+
low_bound= [None, -0.5, None, -math.radians(50)] # Limit of minimum value for each parameter
|
|
58
|
+
high_bound= [None, 0.5, None, math.radians(50)] # Limit of maximum value for each parameter
|
|
91
59
|
|
|
92
|
-
if action == 0 and self.hunter_Position_X == 5:
|
|
93
|
-
|
|
60
|
+
else:
|
|
61
|
+
bins_size= [5, 5, 5, 5]
|
|
94
|
-
|
|
62
|
+
low_bound= [0, 0, 0, 0] # Limit of minimum value for each parameter
|
|
63
|
+
high_bound= [4, 4, 4, 4] # Limit of maximum value for each parameter
|
|
95
|
-
|
|
64
|
+
####
|
|
96
|
-
|
|
65
|
+
# Copied from "q.py"
|
|
97
|
-
|
|
66
|
+
class Q():
|
|
98
|
-
if action == 3 and self.hunter_Position_Y == 0:
|
|
99
|
-
pass
|
|
100
|
-
#例外処理としてエリア外に出る行為は1ターン無駄に消費する事とする。andは&と書くと想定外の動作となった為使用禁止。
|
|
101
|
-
# time.sleep(0.01)
|
|
102
|
-
#間隔を0.01秒とする。
|
|
103
|
-
self.d = self.cal_distance(h_X = self.hunter_Position_X , h_Y = self.hunter_Position_Y , f_X = self.fugitive_Position_X , f_Y = self.fugitive_Position_Y)
|
|
104
|
-
self.lists.append(self.d)
|
|
105
|
-
#距離を格納
|
|
106
|
-
self.observation = (self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y)
|
|
107
|
-
#鬼と逃亡者の位置を毎回格納する。
|
|
108
67
|
|
|
109
|
-
hunter_reward,fugitive_reward=self.calc_profit()
|
|
110
|
-
#報酬はcalc_profitcalc_profit関数で計算するのでそちらを参照。
|
|
111
|
-
# print("鬼の報酬は"+str(hunter_reward),"逃亡者の報酬は"+str(fugitive_reward))
|
|
112
|
-
|
|
68
|
+
def __init__(self, n_actions, observation_space, bin_size, low_bound=None, high_bound=None, initial_mean=0.0, initial_std=0.0):
|
|
69
|
+
self.n_actions = n_actions
|
|
70
|
+
self._observation_dimension = 1
|
|
71
|
+
for d in observation_space.shape:
|
|
72
|
+
self._observation_dimension *= d
|
|
113
73
|
|
|
74
|
+
self._bin_sizes = bin_size if isinstance(bin_size, list) else [bin_size] * self._observation_dimension
|
|
75
|
+
self._dimension_bins = []
|
|
76
|
+
for i, low, high in self._low_high_iter(observation_space, low_bound, high_bound):
|
|
114
|
-
|
|
77
|
+
b_size = self._bin_sizes[i]
|
|
78
|
+
bins = self._make_bins(low, high, b_size)
|
|
79
|
+
self._dimension_bins.append(bins)
|
|
115
80
|
|
|
116
|
-
# print("return値は",np.array(self.observation),hunter_reward,action)
|
|
117
|
-
|
|
81
|
+
# if we encounter the new observation, we initialize action evaluations
|
|
118
|
-
|
|
82
|
+
self.table = defaultdict(lambda: initial_std * np.random.randn(self.n_actions) + initial_mean)
|
|
119
83
|
|
|
84
|
+
@classmethod
|
|
85
|
+
def _make_bins(cls, low, high, bin_size):
|
|
86
|
+
bins = np.arange(low, high, (float(high) - float(low)) / (bin_size - 2)) # exclude both ends
|
|
87
|
+
if min(bins) < 0 and 0 not in bins:
|
|
88
|
+
bins = np.sort(np.append(bins, [0])) # 0 centric bins
|
|
120
|
-
|
|
89
|
+
return bins
|
|
121
|
-
#self.fugitive_Position_X += 1
|
|
122
|
-
#if action == 5:
|
|
123
|
-
#self.fugitive_Position_X -= 1
|
|
124
|
-
#if action == 6:
|
|
125
|
-
#self.fugitive_Position_Y += 1
|
|
126
|
-
#if action == 7:
|
|
127
|
-
#self.fugitive_Position_Y -= 1
|
|
128
90
|
|
|
91
|
+
@classmethod
|
|
92
|
+
def _low_high_iter(cls, observation_space, low_bound, high_bound):
|
|
93
|
+
lows = observation_space.low
|
|
94
|
+
highs = observation_space.high
|
|
129
|
-
|
|
95
|
+
for i in range(len(lows)):
|
|
96
|
+
low = lows[i]
|
|
130
|
-
|
|
97
|
+
if low_bound is not None:
|
|
131
|
-
hunter_Position_Y=random.randint(0,5)
|
|
132
|
-
fugitive_Position_X=random.randint(0,5)
|
|
133
|
-
fugitive_Position_Y=random.randint(0,5)
|
|
134
|
-
|
|
98
|
+
_low_bound = low_bound if not isinstance(low_bound, list) else low_bound[i]
|
|
135
|
-
hunter_Position_X=random.randint(0,5)
|
|
136
|
-
hunter_Position_Y=random.randint(0,5)
|
|
137
|
-
print("リセットされました！！！")
|
|
138
|
-
print()
|
|
139
|
-
|
|
99
|
+
low = low if _low_bound is None else max(low, _low_bound)
|
|
140
|
-
#返り値を残しておく。
|
|
141
|
-
#1ゲームの終了条件を満たしたときに行う指示を記載。
|
|
142
|
-
#鬼、逃亡者をランダムに配置する。
|
|
143
100
|
|
|
144
|
-
def cal_distance(self , h_X , h_Y ,f_X ,f_Y):
|
|
145
|
-
distance = int(100*math.sqrt((h_X-f_X)**2 +(h_Y-f_Y)**2))
|
|
146
|
-
|
|
101
|
+
high = highs[i]
|
|
102
|
+
if high_bound is not None:
|
|
103
|
+
_high_bound = high_bound if not isinstance(high_bound, list) else high_bound[i]
|
|
104
|
+
high = high if _high_bound is None else min(high, _high_bound)
|
|
147
105
|
|
|
148
|
-
def calc_profit(self):
|
|
149
|
-
i= self.game_count
|
|
150
|
-
if i <= 10 and self.lists[i] == 0:
|
|
151
|
-
self.hunter_reward += 1
|
|
152
|
-
self.fugitive_reward -= 1
|
|
153
|
-
current_hunter_reward = 1
|
|
154
|
-
current_fugitive_reward = -1
|
|
155
|
-
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
156
|
-
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
157
|
-
# print("確保成功！！！")
|
|
158
|
-
self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y = self.reset_position()
|
|
159
|
-
self.game_count = 0
|
|
160
|
-
|
|
106
|
+
yield i, low, high
|
|
161
|
-
self.lists.append(self.cal_distance(self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y))
|
|
162
|
-
#10回の行動以下で鬼が確保できた時の報酬を定義している。また距離のリストやゲームカウントを初期化している。
|
|
163
107
|
|
|
164
|
-
elif i == 10 and (0 not in self.lists):
|
|
165
|
-
self.hunter_reward -= 1
|
|
166
|
-
self.fugitive_reward += 1
|
|
167
|
-
current_hunter_reward = -1
|
|
168
|
-
current_fugitive_reward = 1
|
|
169
|
-
|
|
108
|
+
def observation_to_state(self, observation,target_env):
|
|
170
|
-
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
171
|
-
|
|
109
|
+
if target_env == "CartPole-v0":
|
|
172
|
-
self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y = self.reset_position()
|
|
173
|
-
self.game_count = 0
|
|
174
|
-
|
|
110
|
+
state = 0
|
|
175
|
-
self.lists.append(self.cal_distance(self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y))
|
|
176
|
-
#10
|
|
111
|
+
# caution: bin_size over 10 will not work accurately
|
|
112
|
+
unit = max(self._bin_sizes)
|
|
177
113
|
|
|
178
|
-
|
|
114
|
+
for d, o in enumerate(observation.flatten()):
|
|
179
|
-
self.hunter_reward -= 1
|
|
180
|
-
self.fugitive_reward += 1
|
|
181
|
-
current_hunter_reward = -1
|
|
182
|
-
current_fugitive_reward = 1
|
|
183
|
-
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
184
|
-
|
|
115
|
+
state = state + np.digitize(o, self._dimension_bins[d]) * pow(unit, d) # bin_size numeral system
|
|
185
|
-
|
|
116
|
+
else:
|
|
186
|
-
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
187
117
|
|
|
188
|
-
elif i <= 10 and self.lists[i-1] > self.lists[i]:
|
|
189
|
-
|
|
118
|
+
state = 0
|
|
190
|
-
self.fugitive_reward -= 1
|
|
191
|
-
|
|
119
|
+
unit = max(self._bin_sizes)
|
|
192
|
-
current_fugitive_reward = -1
|
|
193
|
-
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
194
|
-
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
195
|
-
# print("距離を詰めてるね！！！")
|
|
196
|
-
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
197
120
|
|
|
198
|
-
elif i <= 10 and self.lists[i-1] == self.lists[i]:
|
|
199
|
-
|
|
121
|
+
if observation is None:
|
|
122
|
+
pass
|
|
200
|
-
|
|
123
|
+
else:
|
|
201
|
-
current_hunter_reward = 0
|
|
202
|
-
current_fugitive_reward = 0
|
|
203
|
-
|
|
124
|
+
for d, o in enumerate(np.asarray(observation).flatten()):
|
|
204
|
-
|
|
125
|
+
state = state + np.digitize(o, self._dimension_bins[d]) * pow(unit, d) # bin_size numeral system
|
|
205
|
-
|
|
126
|
+
return state
|
|
206
|
-
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
207
127
|
|
|
128
|
+
def values(self, observation,target_env):
|
|
129
|
+
state = self.observation_to_state(observation,target_env)
|
|
130
|
+
return self.table[state]
|
|
131
|
+
|
|
132
|
+
####
|
|
133
|
+
# Copied from "agent.py"
|
|
134
|
+
import random
|
|
135
|
+
import numpy as np
|
|
136
|
+
class Agent():
|
|
137
|
+
|
|
138
|
+
def __init__(self, q, epsilon=0.05):
|
|
139
|
+
self.q = q
|
|
140
|
+
self.epsilon = epsilon
|
|
141
|
+
|
|
142
|
+
def act(self, observation,target_env):
|
|
143
|
+
# your code here
|
|
144
|
+
action = -1
|
|
145
|
+
if np.random.random() < self.epsilon:
|
|
146
|
+
action = np.random.choice(self.q.n_actions)
|
|
208
147
|
else:
|
|
209
|
-
|
|
148
|
+
action = np.argmax(self.q.values(observation,target_env))
|
|
210
149
|
|
|
211
|
-
return
|
|
150
|
+
return action
|
|
212
151
|
|
|
152
|
+
####
|
|
213
|
-
|
|
153
|
+
# Copied from "trainer.py"
|
|
214
|
-
#Y_intercept_1 = self.hunter_Position_Y - math.sqrt(3)*self.hunter_Position_X
|
|
215
|
-
#Y_intercept_2 = self.hunter_Position_Y + math.sqrt(3)*self.hunter_Position_X
|
|
216
|
-
#Y_intercept_3 = self.hunter_Position_Y - (1/math.sqrt(3))*self.hunter_Position_X
|
|
217
|
-
#Y_intercept_4 = self.hunter_Position_Y + (1/math.sqrt(3))*self.hunter_Position_X
|
|
218
|
-
|
|
154
|
+
from collections import deque
|
|
219
155
|
|
|
220
|
-
#プログラミングは書いた通りにしか動かない。
|
|
221
156
|
|
|
222
|
-
|
|
157
|
+
class Trainer():
|
|
223
|
-
if self.learn_count == 0:
|
|
224
|
-
is_end = True
|
|
225
|
-
else:
|
|
226
|
-
is_end = False
|
|
227
|
-
#リセットする条件は学習回数を満了した時のみ。その際に報酬をリセットする。
|
|
228
158
|
|
|
159
|
+
def __init__(self, agent,target_env, gamma=0.95, learning_rate=0.1, learning_rate_decay=None, epsilon=0.05, epsilon_decay=None, max_step=-1):
|
|
160
|
+
self.agent = agent
|
|
161
|
+
self.target_env = target_env
|
|
162
|
+
self.gamma = gamma
|
|
163
|
+
self.learning_rate = learning_rate
|
|
164
|
+
self.learning_rate_decay = learning_rate_decay
|
|
165
|
+
self.epsilon = epsilon
|
|
166
|
+
self.epsilon_decay = epsilon_decay
|
|
167
|
+
self.max_step = max_step
|
|
168
|
+
|
|
169
|
+
def train(self, env, episode_count, render=False):
|
|
170
|
+
default_epsilon = self.agent.epsilon
|
|
171
|
+
self.agent.epsilon = self.epsilon
|
|
172
|
+
values = []
|
|
173
|
+
steps = deque(maxlen=100)
|
|
174
|
+
lr = self.learning_rate
|
|
175
|
+
for i in range(episode_count):
|
|
176
|
+
obs = env.reset()
|
|
177
|
+
step = 0
|
|
178
|
+
done = False
|
|
179
|
+
while not done:
|
|
180
|
+
if render:
|
|
181
|
+
if self.target_env == "myenv-v1":
|
|
182
|
+
print("Not supported yet.")
|
|
183
|
+
else:
|
|
184
|
+
env.render()
|
|
185
|
+
|
|
186
|
+
action = self.agent.act(obs,self.target_env)
|
|
187
|
+
next_obs, reward, done, _ = env.step(action)
|
|
188
|
+
|
|
189
|
+
state = self.agent.q.observation_to_state(obs,self.target_env)
|
|
190
|
+
future = 0 if done else np.max(self.agent.q.values(next_obs,self.target_env))
|
|
191
|
+
value = self.agent.q.table[state][action]
|
|
192
|
+
self.agent.q.table[state][action] += lr * (reward + self.gamma * future - value)
|
|
193
|
+
|
|
194
|
+
obs = next_obs
|
|
195
|
+
values.append(value)
|
|
196
|
+
step += 1
|
|
197
|
+
if self.max_step > 0 and step > self.max_step:
|
|
198
|
+
done = True
|
|
199
|
+
else:
|
|
200
|
+
mean = np.mean(values)
|
|
201
|
+
steps.append(step)
|
|
202
|
+
mean_step = np.mean(steps)
|
|
203
|
+
print("Episode {}: {}steps(avg{}). epsilon={:.3f}, lr={:.3f}, mean q value={:.2f}".format(
|
|
204
|
+
i, step, mean_step, self.agent.epsilon, lr, mean)
|
|
205
|
+
)
|
|
206
|
+
|
|
207
|
+
if self.epsilon_decay is not None:
|
|
208
|
+
self.agent.epsilon = self.epsilon_decay(self.agent.epsilon, i)
|
|
209
|
+
if self.learning_rate_decay is not None:
|
|
210
|
+
lr = self.learning_rate_decay(lr, i)
|
|
211
|
+
|
|
212
|
+
|
|
213
|
+
|
|
214
|
+
|
|
215
|
+
def main(episodes, render):
|
|
216
|
+
env = gym.make(COMMON.target_env)
|
|
217
|
+
|
|
218
|
+
q = Q(
|
|
219
|
+
env.action_space.n,
|
|
220
|
+
env.observation_space,
|
|
221
|
+
bin_size= COMMON.bins_size,
|
|
222
|
+
low_bound= COMMON.low_bound,
|
|
223
|
+
high_bound= COMMON.high_bound
|
|
224
|
+
)
|
|
225
|
+
agent = Agent(q, epsilon=0.05)
|
|
226
|
+
|
|
227
|
+
learning_decay = lambda lr, t: max(0.1, min(0.5, 1.0 - math.log10((t + 1) / 25)))
|
|
228
|
+
epsilon_decay = lambda eps, t: max(0.01, min(1.0, 1.0 - math.log10((t + 1) / 25)))
|
|
229
|
+
trainer = Trainer(
|
|
230
|
+
agent,
|
|
231
|
+
target_env = COMMON.target_env,
|
|
232
|
+
gamma=0.99,
|
|
233
|
+
learning_rate=0.5, learning_rate_decay=learning_decay,
|
|
234
|
+
epsilon=1.0, epsilon_decay=epsilon_decay,
|
|
235
|
+
max_step=250)
|
|
236
|
+
|
|
237
|
+
|
|
238
|
+
trainer.train(env, episode_count=episodes, render=render)
|
|
239
|
+
|
|
240
|
+
|
|
241
|
+
|
|
242
|
+
if __name__ == "__main__":
|
|
243
|
+
parser = argparse.ArgumentParser(description="train & run cartpole ")
|
|
244
|
+
parser.add_argument("--episode", type=int, default=1000, help="episode to train")
|
|
245
|
+
parser.add_argument("--render", action="store_true", help="render the screen")
|
|
246
|
+
|
|
247
|
+
args = parser.parse_args()
|
|
248
|
+
|
|
249
|
+
main(args.episode, args.render)
|
|
250
|
+
|
|
229
251
|
```
|
1
実際のコード添付
answer
CHANGED
|
@@ -21,256 +21,209 @@
|
|
|
21
21
|
Takahiro Kuboさん：素晴らしいコードを公開いただいた漢気にこの場を使って感謝いたします。ありがとうございます。
|
|
22
22
|
shi.hiさん：強化学習に手を付けるきっかけを頂けました。ありがとうございます。
|
|
23
23
|
|
|
24
|
-
|
|
24
|
+
envs.py
|
|
25
25
|
```Python3
|
|
26
|
-
# Original code was provided on https://github.com/icoxfog417/techcircle_openai_handson
|
|
27
|
-
# that provided as MIT license by Takahiro Kubo.
|
|
28
|
-
# This was modified from "handson3.py".
|
|
29
|
-
|
|
30
|
-
import
|
|
26
|
+
import gym.spaces
|
|
27
|
+
import numpy as np
|
|
31
|
-
import
|
|
28
|
+
import pandas
|
|
32
|
-
|
|
33
29
|
import math
|
|
34
|
-
import
|
|
30
|
+
import matplotlib.pyplot as plt
|
|
35
|
-
import
|
|
31
|
+
import time
|
|
36
|
-
from trainer import Trainer
|
|
37
|
-
|
|
38
|
-
|
|
39
|
-
RECORD_PATH = os.path.join(os.path.dirname(__file__), "./upload")
|
|
40
|
-
from collections import defaultdict
|
|
41
|
-
import numpy as np
|
|
42
|
-
|
|
43
|
-
####
|
|
44
|
-
class COMMON():
|
|
45
|
-
# target_env = "myenv-v1" # "CartPole-v0"
|
|
46
|
-
# target_env = "CartPole-v0"
|
|
47
|
-
target_env = "myenv-v1"
|
|
48
|
-
|
|
49
|
-
if target_env == "" "CartPole-v0":
|
|
50
|
-
bins_size = [3, 3, 8, 5] # number of splitted parameters
|
|
51
|
-
low_bound= [None, -0.5, None, -math.radians(50)] # Limit of minimum value for each parameter
|
|
52
|
-
high_bound= [None, 0.5, None, math.radians(50)] # Limit of maximum value for each parameter
|
|
53
|
-
|
|
54
|
-
else:
|
|
55
|
-
bins_size= [5, 5, 5, 5]
|
|
56
|
-
low_bound= [0, 0, 0, 0] # Limit of minimum value for each parameter
|
|
57
|
-
high_bound= [4, 4, 4, 4] # Limit of maximum value for each parameter
|
|
58
|
-
####
|
|
59
|
-
# Copied from "q.py"
|
|
60
|
-
class Q():
|
|
61
|
-
|
|
62
|
-
def __init__(self, n_actions, observation_space, bin_size, low_bound=None, high_bound=None, initial_mean=0.0, initial_std=0.0):
|
|
63
|
-
self.n_actions = n_actions
|
|
64
|
-
self._observation_dimension = 1
|
|
65
|
-
for d in observation_space.shape:
|
|
66
|
-
self._observation_dimension *= d
|
|
67
|
-
|
|
68
|
-
self._bin_sizes = bin_size if isinstance(bin_size, list) else [bin_size] * self._observation_dimension
|
|
69
|
-
self._dimension_bins = []
|
|
70
|
-
for i, low, high in self._low_high_iter(observation_space, low_bound, high_bound):
|
|
71
|
-
b_size = self._bin_sizes[i]
|
|
72
|
-
bins = self._make_bins(low, high, b_size)
|
|
73
|
-
self._dimension_bins.append(bins)
|
|
74
|
-
|
|
75
|
-
# if we encounter the new observation, we initialize action evaluations
|
|
76
|
-
self.table = defaultdict(lambda: initial_std * np.random.randn(self.n_actions) + initial_mean)
|
|
77
|
-
|
|
78
|
-
@classmethod
|
|
79
|
-
def _make_bins(cls, low, high, bin_size):
|
|
80
|
-
bins = np.arange(low, high, (float(high) - float(low)) / (bin_size - 2)) # exclude both ends
|
|
81
|
-
if min(bins) < 0 and 0 not in bins:
|
|
82
|
-
bins = np.sort(np.append(bins, [0])) # 0 centric bins
|
|
83
|
-
return bins
|
|
84
|
-
|
|
85
|
-
@classmethod
|
|
86
|
-
def _low_high_iter(cls, observation_space, low_bound, high_bound):
|
|
87
|
-
lows = observation_space.low
|
|
88
|
-
highs = observation_space.high
|
|
89
|
-
for i in range(len(lows)):
|
|
90
|
-
low = lows[i]
|
|
91
|
-
if low_bound is not None:
|
|
92
|
-
_low_bound = low_bound if not isinstance(low_bound, list) else low_bound[i]
|
|
93
|
-
low = low if _low_bound is None else max(low, _low_bound)
|
|
94
|
-
|
|
95
|
-
high = highs[i]
|
|
96
|
-
if high_bound is not None:
|
|
97
|
-
_high_bound = high_bound if not isinstance(high_bound, list) else high_bound[i]
|
|
98
|
-
high = high if _high_bound is None else min(high, _high_bound)
|
|
99
|
-
|
|
100
|
-
yield i, low, high
|
|
101
|
-
|
|
102
|
-
def observation_to_state(self, observation,target_env):
|
|
103
|
-
if target_env == "CartPole-v0":
|
|
104
|
-
state = 0
|
|
105
|
-
# caution: bin_size over 10 will not work accurately
|
|
106
|
-
unit = max(self._bin_sizes)
|
|
107
|
-
|
|
108
|
-
for d, o in enumerate(observation.flatten()):
|
|
109
|
-
state = state + np.digitize(o, self._dimension_bins[d]) * pow(unit, d) # bin_size numeral system
|
|
110
|
-
else:
|
|
111
|
-
|
|
112
|
-
state = 0
|
|
113
|
-
unit = max(self._bin_sizes)
|
|
114
|
-
|
|
115
|
-
if observation is None:
|
|
116
|
-
pass
|
|
117
|
-
else:
|
|
118
|
-
for d, o in enumerate(np.asarray(observation).flatten()):
|
|
119
|
-
state = state + np.digitize(o, self._dimension_bins[d]) * pow(unit, d) # bin_size numeral system
|
|
120
|
-
return state
|
|
121
|
-
|
|
122
|
-
def values(self, observation,target_env):
|
|
123
|
-
state = self.observation_to_state(observation,target_env)
|
|
124
|
-
return self.table[state]
|
|
125
|
-
|
|
126
|
-
####
|
|
127
|
-
# Copied from "agent.py"
|
|
128
32
|
import random
|
|
129
|
-
import numpy as np
|
|
130
|
-
class Agent():
|
|
131
33
|
|
|
34
|
+
class Game(gym.core.Env):
|
|
35
|
+
#初期条件や各種変数の初期格納する。
|
|
132
|
-
def __init__(self
|
|
36
|
+
def __init__(self):
|
|
37
|
+
self.hunter_Position_X=random.randint(0,5)
|
|
38
|
+
self.hunter_Position_Y=random.randint(0,5)
|
|
39
|
+
# print("鬼の初期位置は"+str(self.hunter_Position_X),self.hunter_Position_Y)
|
|
40
|
+
#selfでグローバル変数化している。鬼のx,y座標をランダムに配置。
|
|
41
|
+
self.fugitive_Position_X=random.randint(0,5)
|
|
42
|
+
self.fugitive_Position_Y=random.randint(0,5)
|
|
43
|
+
# print("逃亡者の初期位置は"+str(self.fugitive_Position_X),self.fugitive_Position_Y)
|
|
44
|
+
#selfでグローバル変数化している。逃亡者のx,y座標をランダムに配置。fugitiveは逃亡者という意味。
|
|
45
|
+
while self.hunter_Position_X == self.fugitive_Position_X and self.hunter_Position_Y == self.fugitive_Position_Y:
|
|
46
|
+
self.hunter_Position_X=random.randint(0,5)
|
|
47
|
+
self.hunter_Position_Y=random.randint(0,5)
|
|
48
|
+
#print(self.hunter_Position_X,self.hunter_Position_Y)
|
|
49
|
+
#逃亡者と鬼の位置が完全に一致している場合、鬼の初期位置を再度決める。
|
|
50
|
+
self.game_count=0
|
|
51
|
+
#1ゲームで行動できる上限を設定をしている。今回は10回とする。
|
|
52
|
+
self.initial_distance=int(100*math.sqrt((self.hunter_Position_X-self.fugitive_Position_X)**2+(self.hunter_Position_Y-self.fugitive_Position_Y)**2))
|
|
53
|
+
# print("初期の距離は"+str(self.initial_distance))
|
|
54
|
+
#鬼と逃亡者の距離を定義する。ただの三平方の定理。自然数で処理するため100倍した。
|
|
133
|
-
self.
|
|
55
|
+
self.lists = []
|
|
134
|
-
|
|
56
|
+
#距離を格納するリスト。
|
|
135
|
-
|
|
136
|
-
|
|
57
|
+
self.current_hunter_profit_lists = []
|
|
137
|
-
#
|
|
58
|
+
#鬼の報酬を各ステップごとに加える。
|
|
138
|
-
action = -1
|
|
139
|
-
if np.random.random() < self.epsilon:
|
|
140
|
-
|
|
59
|
+
self.current_fugitive_profit_lists = []
|
|
141
|
-
else:
|
|
142
|
-
action = np.argmax(self.q.values(observation,target_env))
|
|
143
|
-
|
|
144
|
-
return action
|
|
145
|
-
|
|
146
|
-
####
|
|
147
|
-
# Copied from "trainer.py"
|
|
148
|
-
|
|
60
|
+
#逃亡者の報酬を各ステップごとに加える。
|
|
149
61
|
|
|
62
|
+
self.action_space = gym.spaces.Discrete(4)
|
|
63
|
+
low = np.array([0, 0, 0, 0])
|
|
64
|
+
high = np.array([5, 5, 5, 5])
|
|
65
|
+
self.observation_space = gym.spaces.Box(low, high, dtype=np.int64)
|
|
66
|
+
#逃走エリアを定義している。
|
|
67
|
+
self.hunter_reward=0
|
|
68
|
+
self.fugitive_reward=0
|
|
69
|
+
#鬼と逃亡者の報酬を0で初期化している。
|
|
70
|
+
self.learn_count=0
|
|
71
|
+
#学習回数を10000回と制限。
|
|
72
|
+
self.lists.append(self.initial_distance)
|
|
73
|
+
#開始時の距離を格納する。
|
|
150
74
|
|
|
151
|
-
|
|
75
|
+
def step(self,action):
|
|
76
|
+
self.game_count += 1
|
|
77
|
+
self.learn_count += 1
|
|
78
|
+
# print("学習回数は",self.learn_count)
|
|
79
|
+
if action == 0 and self.hunter_Position_X < 5:
|
|
80
|
+
self.hunter_Position_X += 1
|
|
81
|
+
if action == 1 and self.hunter_Position_X > 0:
|
|
82
|
+
self.hunter_Position_X -= 1
|
|
83
|
+
if action == 2 and self.hunter_Position_Y < 5:
|
|
84
|
+
self.hunter_Position_Y += 1
|
|
85
|
+
if action == 3 and self.hunter_Position_Y > 0:
|
|
86
|
+
self.hunter_Position_Y -= 1
|
|
87
|
+
# print("鬼の位置は"+str(self.hunter_Position_X),self.hunter_Position_Y)
|
|
88
|
+
# print("逃亡者の位置は"+str(self.fugitive_Position_X),self.fugitive_Position_Y)
|
|
152
89
|
|
|
153
|
-
def __init__(self, agent,target_env, gamma=0.95, learning_rate=0.1, learning_rate_decay=None, epsilon=0.05, epsilon_decay=None, max_step=-1):
|
|
154
|
-
self.agent = agent
|
|
155
|
-
self.gamma = gamma
|
|
156
|
-
|
|
90
|
+
#鬼の行動を4つ設け選択できるようにする。上下左右に移動できる。
|
|
157
|
-
self.learning_rate_decay = learning_rate_decay
|
|
158
|
-
self.epsilon = epsilon
|
|
159
|
-
self.epsilon_decay = epsilon_decay
|
|
160
|
-
self.max_step = max_step
|
|
161
|
-
self.target_env = target_env
|
|
162
91
|
|
|
163
|
-
def train(self, env, episode_count, render=False):
|
|
164
|
-
|
|
92
|
+
if action == 0 and self.hunter_Position_X == 5:
|
|
93
|
+
pass
|
|
94
|
+
if action == 1 and self.hunter_Position_X == 0:
|
|
95
|
+
pass
|
|
96
|
+
if action == 2 and self.hunter_Position_Y == 5:
|
|
97
|
+
pass
|
|
98
|
+
if action == 3 and self.hunter_Position_Y == 0:
|
|
99
|
+
pass
|
|
100
|
+
#例外処理としてエリア外に出る行為は1ターン無駄に消費する事とする。andは&と書くと想定外の動作となった為使用禁止。
|
|
101
|
+
# time.sleep(0.01)
|
|
102
|
+
#間隔を0.01秒とする。
|
|
103
|
+
self.d = self.cal_distance(h_X = self.hunter_Position_X , h_Y = self.hunter_Position_Y , f_X = self.fugitive_Position_X , f_Y = self.fugitive_Position_Y)
|
|
165
|
-
self.
|
|
104
|
+
self.lists.append(self.d)
|
|
166
|
-
values = []
|
|
167
|
-
steps = deque(maxlen=100)
|
|
168
|
-
lr = self.learning_rate
|
|
169
|
-
for i in range(episode_count):
|
|
170
|
-
obs = env.reset()
|
|
171
|
-
|
|
105
|
+
#距離を格納
|
|
172
|
-
done = False
|
|
173
|
-
while not done:
|
|
174
|
-
if render:
|
|
175
|
-
# env.render()
|
|
176
|
-
print("env.render() is not supported yet.")
|
|
177
|
-
action = self.agent.act(obs,self.target_env)
|
|
178
|
-
next_obs, reward, done, _ = env.step(action)
|
|
179
|
-
state = self.agent.q.observation_to_state(obs,self.target_env)
|
|
180
|
-
|
|
106
|
+
self.observation = (self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y)
|
|
181
|
-
|
|
107
|
+
#鬼と逃亡者の位置を毎回格納する。
|
|
182
|
-
self.agent.q.table[state][action] += lr * (reward + self.gamma * future - value)
|
|
183
108
|
|
|
184
|
-
obs = next_obs
|
|
185
|
-
values.append(value)
|
|
186
|
-
step += 1
|
|
187
|
-
if self.max_step > 0 and step > self.max_step:
|
|
188
|
-
done = True
|
|
189
|
-
else:
|
|
190
|
-
mean = np.mean(values)
|
|
191
|
-
steps.append(step)
|
|
192
|
-
mean_step = np.mean(steps)
|
|
193
|
-
print("Episode {}: {}steps(avg{}). epsilon={:.3f}, lr={:.3f}, mean q value={:.2f}".format(
|
|
194
|
-
i, step, mean_step, self.agent.epsilon, lr, mean)
|
|
195
|
-
)
|
|
196
|
-
|
|
197
|
-
if self.epsilon_decay is not None:
|
|
198
|
-
|
|
109
|
+
hunter_reward,fugitive_reward=self.calc_profit()
|
|
199
|
-
|
|
110
|
+
#報酬はcalc_profitcalc_profit関数で計算するのでそちらを参照。
|
|
200
|
-
|
|
111
|
+
# print("鬼の報酬は"+str(hunter_reward),"逃亡者の報酬は"+str(fugitive_reward))
|
|
112
|
+
print("鬼の総合報酬は",sum(self.current_hunter_profit_lists),"逃亡者の総合報酬は",sum(self.current_fugitive_profit_lists))
|
|
201
113
|
|
|
202
|
-
|
|
203
|
-
|
|
114
|
+
is_end = self.reset()
|
|
204
|
-
env = gym.make(COMMON.target_env)
|
|
205
115
|
|
|
206
|
-
q = Q(
|
|
207
|
-
|
|
116
|
+
# print("return値は",np.array(self.observation),hunter_reward,action)
|
|
208
|
-
|
|
117
|
+
return np.array(self.observation),hunter_reward,action,{}
|
|
209
|
-
bin_size= COMMON.bins_size,
|
|
210
|
-
low_bound= COMMON.low_bound,
|
|
211
|
-
high_bound= COMMON.high_bound
|
|
212
|
-
)
|
|
213
|
-
|
|
118
|
+
#値は4つ必要。学習が良くない時は上記の変数値を変える必要あり。行動を決める要素を入れる。
|
|
214
119
|
|
|
215
|
-
learning_decay = lambda lr, t: max(0.1, min(0.5, 1.0 - math.log10((t + 1) / 25)))
|
|
216
|
-
epsilon_decay = lambda eps, t: max(0.01, min(1.0, 1.0 - math.log10((t + 1) / 25)))
|
|
217
|
-
|
|
120
|
+
#if action == 4:
|
|
218
|
-
agent,
|
|
219
|
-
target_env = COMMON.target_env,
|
|
220
|
-
gamma=0.99,
|
|
221
|
-
learning_rate=0.5, learning_rate_decay=learning_decay,
|
|
222
|
-
|
|
121
|
+
#self.fugitive_Position_X += 1
|
|
223
|
-
|
|
122
|
+
#if action == 5:
|
|
123
|
+
#self.fugitive_Position_X -= 1
|
|
124
|
+
#if action == 6:
|
|
125
|
+
#self.fugitive_Position_Y += 1
|
|
126
|
+
#if action == 7:
|
|
127
|
+
#self.fugitive_Position_Y -= 1
|
|
224
128
|
|
|
129
|
+
def reset_position(self):
|
|
130
|
+
hunter_Position_X=random.randint(0,5)
|
|
131
|
+
hunter_Position_Y=random.randint(0,5)
|
|
132
|
+
fugitive_Position_X=random.randint(0,5)
|
|
133
|
+
fugitive_Position_Y=random.randint(0,5)
|
|
134
|
+
while hunter_Position_X == fugitive_Position_X and hunter_Position_Y == fugitive_Position_Y:
|
|
135
|
+
hunter_Position_X=random.randint(0,5)
|
|
136
|
+
hunter_Position_Y=random.randint(0,5)
|
|
137
|
+
print("リセットされました！！！")
|
|
138
|
+
print()
|
|
139
|
+
return hunter_Position_X,hunter_Position_Y,fugitive_Position_X,fugitive_Position_Y
|
|
140
|
+
#返り値を残しておく。
|
|
141
|
+
#1ゲームの終了条件を満たしたときに行う指示を記載。
|
|
142
|
+
#鬼、逃亡者をランダムに配置する。
|
|
225
143
|
|
|
144
|
+
def cal_distance(self , h_X , h_Y ,f_X ,f_Y):
|
|
226
|
-
|
|
145
|
+
distance = int(100*math.sqrt((h_X-f_X)**2 +(h_Y-f_Y)**2))
|
|
146
|
+
return distance
|
|
227
147
|
|
|
148
|
+
def calc_profit(self):
|
|
149
|
+
i= self.game_count
|
|
150
|
+
if i <= 10 and self.lists[i] == 0:
|
|
151
|
+
self.hunter_reward += 1
|
|
152
|
+
self.fugitive_reward -= 1
|
|
153
|
+
current_hunter_reward = 1
|
|
154
|
+
current_fugitive_reward = -1
|
|
155
|
+
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
156
|
+
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
157
|
+
# print("確保成功！！！")
|
|
158
|
+
self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y = self.reset_position()
|
|
159
|
+
self.game_count = 0
|
|
160
|
+
self.lists = []
|
|
161
|
+
self.lists.append(self.cal_distance(self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y))
|
|
162
|
+
#10回の行動以下で鬼が確保できた時の報酬を定義している。また距離のリストやゲームカウントを初期化している。
|
|
228
163
|
|
|
164
|
+
elif i == 10 and (0 not in self.lists):
|
|
165
|
+
self.hunter_reward -= 1
|
|
166
|
+
self.fugitive_reward += 1
|
|
167
|
+
current_hunter_reward = -1
|
|
168
|
+
current_fugitive_reward = 1
|
|
169
|
+
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
170
|
+
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
171
|
+
# print("確保失敗！！！")
|
|
172
|
+
self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y = self.reset_position()
|
|
173
|
+
self.game_count = 0
|
|
174
|
+
self.lists = []
|
|
175
|
+
self.lists.append(self.cal_distance(self.hunter_Position_X,self.hunter_Position_Y,self.fugitive_Position_X,self.fugitive_Position_Y))
|
|
176
|
+
#10回の行動以下で鬼が確保出来なかった時の報酬を定義している。また距離のリストやゲームカウントを初期化している。
|
|
229
177
|
|
|
178
|
+
elif i <= 10 and self.lists[i-1] < self.lists[i]:
|
|
179
|
+
self.hunter_reward -= 1
|
|
180
|
+
self.fugitive_reward += 1
|
|
181
|
+
current_hunter_reward = -1
|
|
182
|
+
current_fugitive_reward = 1
|
|
183
|
+
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
184
|
+
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
230
|
-
|
|
185
|
+
# print("逃げられてるよ！！！")
|
|
231
|
-
|
|
186
|
+
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
232
|
-
parser.add_argument("--episode", type=int, default=1000, help="episode to train")
|
|
233
|
-
parser.add_argument("--render", action="store_true", help="render the screen")
|
|
234
187
|
|
|
188
|
+
elif i <= 10 and self.lists[i-1] > self.lists[i]:
|
|
189
|
+
self.hunter_reward += 1
|
|
190
|
+
self.fugitive_reward -= 1
|
|
235
|
-
|
|
191
|
+
current_hunter_reward = 1
|
|
192
|
+
current_fugitive_reward = -1
|
|
193
|
+
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
194
|
+
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
195
|
+
# print("距離を詰めてるね！！！")
|
|
196
|
+
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
236
197
|
|
|
198
|
+
elif i <= 10 and self.lists[i-1] == self.lists[i]:
|
|
199
|
+
self.hunter_reward += 0
|
|
200
|
+
self.fugitive_reward += 0
|
|
201
|
+
current_hunter_reward = 0
|
|
202
|
+
current_fugitive_reward = 0
|
|
203
|
+
self.current_hunter_profit_lists.append(current_hunter_reward)
|
|
204
|
+
self.current_fugitive_profit_lists.append(current_fugitive_reward)
|
|
237
|
-
|
|
205
|
+
# print("距離が変わってないよ！！！")
|
|
206
|
+
#前回ステップと今回のステップで距離を比較して報酬を定義している。
|
|
238
207
|
|
|
208
|
+
else:
|
|
209
|
+
pass
|
|
239
210
|
|
|
240
|
-
|
|
211
|
+
return current_hunter_reward,current_fugitive_reward
|
|
241
212
|
|
|
213
|
+
#def Linear_function:
|
|
214
|
+
#Y_intercept_1 = self.hunter_Position_Y - math.sqrt(3)*self.hunter_Position_X
|
|
215
|
+
#Y_intercept_2 = self.hunter_Position_Y + math.sqrt(3)*self.hunter_Position_X
|
|
216
|
+
#Y_intercept_3 = self.hunter_Position_Y - (1/math.sqrt(3))*self.hunter_Position_X
|
|
217
|
+
#Y_intercept_4 = self.hunter_Position_Y + (1/math.sqrt(3))*self.hunter_Position_X
|
|
218
|
+
#Y = math.sqrt(3)X + b
|
|
242
219
|
|
|
220
|
+
#プログラミングは書いた通りにしか動かない。
|
|
243
221
|
|
|
222
|
+
def reset(self):
|
|
244
|
-
|
|
223
|
+
if self.learn_count == 0:
|
|
245
|
-
Episode 295: 2steps(avg1.3). epsilon=0.010, lr=0.100, mean q value=0.04
|
|
246
|
-
学習回数は 440
|
|
247
|
-
鬼の総合報酬は -4 逃亡者の総合報酬は 4
|
|
248
|
-
学習回数は 441
|
|
249
|
-
鬼の総合報酬は -3 逃亡者の総合報酬は 3
|
|
250
|
-
学習回数は 442
|
|
251
|
-
|
|
224
|
+
is_end = True
|
|
225
|
+
else:
|
|
226
|
+
is_end = False
|
|
227
|
+
#リセットする条件は学習回数を満了した時のみ。その際に報酬をリセットする。
|
|
252
228
|
|
|
253
|
-
鬼の総合報酬は -2 逃亡者の総合報酬は 2
|
|
254
|
-
|
|
229
|
+
```
|
|
255
|
-
鬼の総合報酬は -1 逃亡者の総合報酬は 1
|
|
256
|
-
学習回数は 444
|
|
257
|
-
鬼の総合報酬は 0 逃亡者の総合報酬は 0
|
|
258
|
-
Episode 296: 5steps(avg1.34). epsilon=0.010, lr=0.100, mean q value=0.04
|
|
259
|
-
学習回数は 445
|
|
260
|
-
鬼の総合報酬は 1 逃亡者の総合報酬は -1
|
|
261
|
-
学習回数は 446
|
|
262
|
-
鬼の総合報酬は 2 逃亡者の総合報酬は -2
|
|
263
|
-
Episode 297: 2steps(avg1.35). epsilon=0.010, lr=0.100, mean q value=0.04
|
|
264
|
-
学習回数は 447
|
|
265
|
-
鬼の総合報酬は 1 逃亡者の総合報酬は -1
|
|
266
|
-
学習回数は 448
|
|
267
|
-
鬼の総合報酬は 2 逃亡者の総合報酬は -2
|
|
268
|
-
Episode 298: 2steps(avg1.36). epsilon=0.010, lr=0.100, mean q value=0.04
|
|
269
|
-
学習回数は 449
|
|
270
|
-
鬼の総合報酬は 2 逃亡者の総合報酬は -2
|
|
271
|
-
学習回数は 450
|
|
272
|
-
鬼の総合報酬は 2 逃亡者の総合報酬は -2
|
|
273
|
-
学習回数は 451
|
|
274
|
-
鬼の総合報酬は 2 逃亡者の総合報酬は -2
|
|
275
|
-
学習回数は 452
|
|
276
|
-
リセットされました！！！
|