Q学习，测验次数对收敛有什么影响？

Question

在以下代码中，这是通过Q学习解决FrozenLake 4x4的代码。 在培训部分，为什么我们要播放20集测试环境，而不是每个循环只播放1集？ 我尝试了两次迭代：

在测试环境中进行20次迭代时，代理在16000次尝试中收敛。

在进行1次测试环境迭代时，代理会在不到1000次尝试中收敛。

import gym
import collections
from tensorboardX import SummaryWriter

ENV_NAME = "FrozenLake-v0"
GAMMA = 0.9
ALPHA = 0.2
TEST_EPISODES = 20


class Agent:
    def __init__(self):
        self.env = gym.make(ENV_NAME)
        self.state = self.env.reset()
        self.values = collections.defaultdict(float)

    def sample_env(self):
        action = self.env.action_space.sample()
        old_state = self.state
        new_state, reward, is_done, _ = self.env.step(action)
        self.state = self.env.reset() if is_done else new_state
        return (old_state, action, reward, new_state)

    def best_value_and_action(self, state):
        best_value, best_action = None, None
        for action in range(self.env.action_space.n):
            action_value = self.values[(state, action)]
            if best_value is None or best_value < action_value:
                best_value = action_value
                best_action = action
        return best_value, best_action

    def value_update(self, s, a, r, next_s):
        best_v, _ = self.best_value_and_action(next_s)
        new_val = r + GAMMA * best_v
        old_val = self.values[(s, a)]
        self.values[(s, a)] = old_val * (1-ALPHA) + new_val * ALPHA

    def play_episode(self, env):
        total_reward = 0.0
        state = env.reset()
        while True:
            _, action = self.best_value_and_action(state)
            new_state, reward, is_done, _ = env.step(action)
            total_reward += reward
            if is_done:
                break
            state = new_state
        return total_reward


if __name__ == "__main__":
    test_env = gym.make(ENV_NAME)
    agent = Agent()
    writer = SummaryWriter(comment="-q-learning")

    iter_no = 0
    best_reward = 0.0
    while True:
        iter_no += 1
        s, a, r, next_s = agent.sample_env()
        agent.value_update(s, a, r, next_s)

        reward = 0.0
        for _ in range(TEST_EPISODES):
            reward += agent.play_episode(test_env)
        reward /= TEST_EPISODES
        writer.add_scalar("reward", reward, iter_no)
        if reward > best_reward:
            print("Best reward updated %.3f -> %.3f" % (best_reward, reward))
            best_reward = reward
        if reward > 0.80:
            print("Solved in %d iterations!" % iter_no)
            break
    writer.close()

Answer 1

在此示例中， TEST_EPISODES用于更改求解标准。 在TEST_EPISODES = 1的情况下，只要最近的游戏得分> 0.80，便认为该游戏已解决；在TEST_EPISODES = 20的情况下，最近20轮的平均得分必须> 0.80，才能考虑该游戏已解决。

由于该游戏具有随机动作，即每次在相同状态下执行相同动作时，您不会获得相同结果，因此您提高TEST_EPISODES的速度TEST_EPISODES ，该解决方案的TEST_EPISODES就越强。 在TEST_EPISODES = 1情况下，如果该脚本只是碰巧在第一次尝试中就随机找到了目标，则该脚本将认为该游戏已解决，但是在模型较差的情况下连续执行20次的可能性大大降低。

相对于首次达到目标的速度，对于此类问题，大量事件的平均值通常是更好的指标。 想象一下，如果您必须在这种环境下工作并且您的生活取决于安全地实现目标，那么您可能希望它学习直到分数阈值非常接近1。