1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Reinforcement Learning with Gymnasium in Python
Connected

cvičení

Výpočet hodnot stavů pro danou politiku

Ve stejném deterministickém prostředí MyGridWorld teď vyhodnotíš účinnost politiky, kterou jsi definoval/a v předchozím cvičení. Uděláš to výpočtem hodnotové funkce stavu pro každý stav podle této politiky.

Prostředí je importované jako env spolu s potřebnými proměnnými (terminal_state, num_states, policy, gamma).

Pokyny

100 XP
  • Dopleň funkci compute_state_value() tak, aby počítala hodnotu každého stavu podle zadané politiky.
  • Vytvoř slovník state_values, kde každý klíč odpovídá danému state a každá hodnota odpovídá hodnotě tohoto stavu.