ポリシーの比較
MyGridWorld環境で、2つの異なるポリシーに対応する2つの状態価値関数（value_function_1 と value_function_2）が与えられています。各状態ごとにこれらの状態価値関数を比較し、どちらのポリシーがより有効かを判断してください。
変数 num_states は利用可能です。
この演習はコースの一部です
Pythonで学ぶGymnasiumによるReinforcement Learning
演習の手順
- ブール値のリスト
one_is_betterを作成し、各要素が、各状態においてvalue_function_1の値がvalue_function_2の値以上かどうかを判定するようにします。 - ブール値のリスト
two_is_betterを作成し、各要素が、各状態においてvalue_function_2の値がvalue_function_1の値以上かどうかを判定するようにします。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
value_function_1 = {0: 1, 1: 2, 2: 3, 3: 7, 4: 6, 5: 4, 6: 8, 7: 10, 8: 0}
value_function_2 = {0: 7, 1: 8, 2: 9, 3: 7, 4: 9, 5: 10, 6: 8, 7: 10, 8: 0}
# Check for each value in policy 1 if it is better than policy 2
one_is_better = [____ >= ____ for state in range(num_states)]
# Check for each value in policy 2 if it is better than policy 1
two_is_better = [____ >= ____ for state in range(num_states)]
if all(one_is_better):
print("Policy 1 is better.")
elif all(two_is_better):
print("Policy 2 is better.")
else:
print("Neither policy is uniformly better across all states.")