定义 epsilon-greedy 函数

在强化学习中，epsilon-greedy 策略用于平衡探索与利用。该方法以概率 epsilon 选择随机动作，以概率 1-epsilon 选择当前已知的最优动作。实现 epsilon_greedy() 函数对 Q-learning 和 SARSA 等算法至关重要，它通过同时保证对环境的探索与对已知回报的利用，来促进智能体的学习过程。这正是本练习的目标。

已将 numpy 库导入为 np。

本练习是课程的一部分

Python 中的 Gymnasium 强化学习

查看课程

练习说明

在函数内部，为智能体探索环境写出合适的条件判断。
当执行探索时，选择一个随机的 action。
当执行利用时，根据 q_table 选择最优的 action。

交互式实操练习

通过完成这段示例代码来试试这个练习。

epsilon = 0.2
env = gym.make('FrozenLake')
q_table = np.random.rand(env.observation_space.n, env.action_space.n)

def epsilon_greedy(state):
    # Implement the condition to explore
    if ____ < ____:
      	# Choose a random action
        action = ____
    else:
      	# Choose the best action according to q_table
        action = ____
    return action

编辑并运行代码