Dyna-Q 有什么問題？ （Dyna-Q 與 Q 學習）

Question

我實現了Q-learning算法，並在 OpenAI 健身房的FrozenLake-v0上使用了它。 我在 10000 集的訓練期間獲得了 185 個總獎勵，在測試期間獲得了 7333 個總獎勵。 這個好嗎？

我也嘗試了Dyna-Q算法。 但它的性能比 Q-learning 差。 大約。 訓練期間的總獎勵為 200 個，測試期間的總獎勵為 700-900 個，共 10000 集，包含 50 個計划步驟。

為什么會這樣？

下面是代碼。 代碼有問題嗎？

# Setup
env = gym.make('FrozenLake-v0')

epsilon = 0.9
lr_rate = 0.1
gamma = 0.99
planning_steps = 0

total_episodes = 10000
max_steps = 100

訓練和測試（）：

while t < max_steps:
    action = agent.choose_action(state)  
    state2, reward, done, info = agent.env.step(action)  
    # Removed in testing
    agent.learn(state, state2, reward, action)
    agent.model.add(state, action, state2, reward)
    agent.planning(planning_steps)
    # Till here
    state = state2

def add(self, state, action, state2, reward):
        self.transitions[state, action] = state2
        self.rewards[state, action] = reward

def sample(self, env):
    state, action = 0, 0
    # Random visited state
    if all(np.sum(self.transitions, axis=1)) <= 0:
        state = np.random.randint(env.observation_space.n)
    else:
        state = np.random.choice(np.where(np.sum(self.transitions, axis=1) > 0)[0])

    # Random action in that state
    if all(self.transitions[state]) <= 0:
        action = np.random.randint(env.action_space.n)
    else:    
        action = np.random.choice(np.where(self.transitions[state] > 0)[0])
    return state, action

def step(self, state, action):
    state2 = self.transitions[state, action]
    reward = self.rewards[state, action]
    return state2, reward

def choose_action(self, state):
    if np.random.uniform(0, 1) < epsilon:
        return self.env.action_space.sample()
    else:
        return np.argmax(self.Q[state, :])

def learn(self, state, state2, reward, action):
    # predict = Q[state, action]
    # Q[state, action] = Q[state, action] + lr_rate * (target - predict)
    target = reward + gamma * np.max(self.Q[state2, :])
    self.Q[state, action] = (1 - lr_rate) * self.Q[state, action] + lr_rate * target

def planning(self, n_steps):
    # if len(self.transitions)>planning_steps:
    for i in range(n_steps):
        state, action =  self.model.sample(self.env)
        state2, reward = self.model.step(state, action)
        self.learn(state, state2, reward, action)

Answer 1

我想這可能是因為環境是隨機的。 在隨機環境中學習 model 可能會導致次優策略。 在 Sutton & Barto 的 RLBook 中，他們說他們假設了確定性環境。

Answer 2

檢查在執行 model 步驟之后，是否執行下一個 state 即state2中的計划步驟示例。

如果沒有，計划可能會從 self.env 給出的相同起始self.env開始重復步驟。

不過我可能誤解了self.model.sample(self.env)中self.env參數的作用