come_on_haha 2023-08-09 09:37 采纳率: 33.3%
浏览 5

在动态规划算法遇到的问题

遇到的问题是这个:

Message=object() takes no parameters
 
    agent = PolicyIteration(env, theta, gamma)


但是我的object类应该是没有传入值的,不知道为什么

import copy 

class CliffWalkingEnv:
    """悬崖漫步环境""" 
    def _init_(self,ncol=12,nrow=4):  
        self.ncol = ncol # 定义网格世界的列 
        self.nrow = nrow # 定义网格世界的行  
        #转移矩阵P[state][action] = [(p,next_state,reward,done)]包含下一个状态和奖励  
        self.P = self.createP()  

    def createP(self):
        P = [[[] for j in range(4)] for i in range(self.nrow * self.ncol)]  
        #4种动作,change[0]:上,change[1]:下,change[2]:左,change[3]:右。 
        #定义在左上角 
        change = [[0,-1],[0,1],[-1,0],[1,0]]  
        for i in range(self.nrow):
            for j in range(self.ncol): 
                for a in range(4):
                    #位置在悬崖或者目标状态,因为无法继续交互,任何动作奖励都为0
                    if i == self.nrow -1 and j > 0:
                        P[i*self.ncol + j][a] = [(1,i * self.ncol + j,0,True)]  
                        continue  
                    #其他位置  
                    next_x = min(self.ncol - 1,max(0,j + change[a][0]))  
                    next_y = min(self.nrow - 1,max(0,i + change[a][1]))  
                    next_state = next_y * self.ncol + next_x 
                    reward = -1 
                    done = False 
                    #下一个位置在悬崖或者终点 
                    if next_y == self.nrow - 1 and next_x > 0: 
                        done = True  
                        if next_x != self.ncol - 1:#下一个位置在悬崖  
                            reward = -100
                    P[i * self.ncol + j][a] = [(1,next_state,reward,done)]  
            return P  


class PolicyIteration:
    """策略迭代算法"""  
    def _init_(self,env,theta,gamma):  
        self.env = env 
        self.v = [0] * self.env.ncol * self.env.nrow #初始化价值为0 
        self.pi = [[0.25,0.25,0.25,0.25]
                   for i in range(self.env.ncol * self.env.nrow)] #初始化为均匀随机策略  
        self.theta = theta #策略评估收敛阀值  
        self.gamma = gamma # 折扣因子  

    def policy_evaluation(self): #策略评估  
        cnt = 1 #计数器 
        while 1: 
            max_diff = 0 
            new_v = [0] * self.env.ncol * self.env.nrow 
            for s in range(self.env.ncol * self.env.nrow): 
                qsa_list = [] #开始计算状态s下的所有Q(s,a)价值  
                for a in range(4): 
                    qsa = 0 
                    for res in self.env.P[s][a]: 
                        p,next_state,r,done = res 
                        qsa += p * (r + self.gamma * self.v[next_state] * (1-done)) 
                        #本章环境比较特殊,奖励和下一个状态有关,所以需要和状态转移概率相乘 
                    qsa_list.append(self.pi[s][a] * qsa) 
                new_v[s] = sum(qsa_list) #状态价值函数和动作价值函数之间的关系  
                max_diff = max(max_diff,abs(new_v[s] - self.v[s]))  
            self.v = new_v 
            if max_diff < self.theta: break #满足收敛条件,退出评估迭代  
            cnt += 1 
        print("策略评估进行%d轮后完成"% cnt) 


    def policy_improvement(self): #策略提升 
        for s in range(self.env.nrow * self.env.ncol): 
            qsa_list = []  
            for a in range(4):  
                qsa = 0 
                for res in self.env.P[s][a]:  
                    p,next_state,r,done = res  
                    qsa += p * (r + self.gamma * self.v[next_state] * (1-done))  
                qsa_list.append(qsa)  
                maxq = max(qsa_list)  
                cntq = qsa_list.count(maxq) # 计算有几个动作得到了最大的Q值
                #让这些动作均分概率  
                self.pi[s] = [1/ cntq if q == maxq else 0 for q in qsa_list]  
            print("策略提升完成")  
            return self.pi  

    def policy_iteration(self):  #策略迭代  
        while 1:
            self.policy_evaluation()  
            old_pi = copy.deepcopy(self.pi)  #将列表进行深拷贝,方便接下来进行比较
            new_pi = self.policy_improvement()  
            if old_pi == new_pi:break  

def print_agent(agent, action_meaning, disaster=[], end=[]):
    print("状态价值:")
    for i in range(agent.env.nrow):
        for j in range(agent.env.ncol):
            # 为了输出美观,保持输出6个字符
            print('%6.6s' % ('%.3f' % agent.v[i * agent.env.ncol + j]), end=' ')
        print()

    print("策略:")
    for i in range(agent.env.nrow):
        for j in range(agent.env.ncol):
            # 一些特殊的状态,例如悬崖漫步中的悬崖
            if (i * agent.env.ncol + j) in disaster:
                print('****', end=' ')
            elif (i * agent.env.ncol + j) in end:  # 目标状态
                print('EEEE', end=' ')
            else:
                a = agent.pi[i * agent.env.ncol + j]
                pi_str = ''
                for k in range(len(action_meaning)):
                    pi_str += action_meaning[k] if a[k] > 0 else 'o'
                print(pi_str, end=' ')
        print()


env = CliffWalkingEnv()
action_meaning = ['^', 'v', '<', '>']
theta = 0.001
gamma = 0.9
agent = PolicyIteration(env, theta, gamma)
agent.policy_iteration()
print_agent(agent, action_meaning, list(range(37, 47)), [47])

  • 写回答

1条回答 默认 最新

  • CSDN-Ada助手 CSDN-AI 官方账号 2023-08-09 12:29
    关注

    【以下回答由 GPT 生成】

    问题出在代码中_init_函数的定义上面。Python的构造函数必须使用__init__命名,而不是_init_。所以在CliffWalkingEnv类中,将_init_函数改为__init__函数即可解决这个问题。

    修改后的代码如下:

    import copy 
    
    class CliffWalkingEnv:
        """悬崖漫步环境"""
        def __init__(self, ncol=12, nrow=4):
            self.ncol = ncol  # 定义网格世界的列
            self.nrow = nrow  # 定义网格世界的行
            # 转移矩阵P[state][action] = [(p, next_state, reward, done)]包含下一个状态和奖励
            self.P = self.createP()
    
        def createP(self):
            P = [[[] for j in range(4)] for i in range(self.nrow * self.ncol)]
            # 4种动作,change[0]:上,change[1]:下,change[2]:左,change[3]:右。
            # 定义在左上角
            change = [[0, -1], [0, 1], [-1, 0], [1, 0]]
            for i in range(self.nrow):
                for j in range(self.ncol): 
                    for a in range(4):
                        # 位置在悬崖或者目标状态,因为无法继续交互,任何动作奖励都为0
                        if i == self.nrow - 1 and j > 0:
                            P[i*self.ncol + j][a] = [(1, i * self.ncol + j, 0, True)]
                            continue
                        # 其他位置
                        next_x = min(self.ncol - 1, max(0, j + change[a][0]))
                        next_y = min(self.nrow - 1, max(0, i + change[a][1]))
                        next_state = next_y * self.ncol + next_x
                        reward = -1
                        done = False
                        # 下一个位置在
    

    _init_改为__init__之后,就能正常创建CliffWalkingEnv对象并使用了。



    【相关推荐】



    如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^
    评论

报告相同问题?

问题事件

  • 创建了问题 8月9日

悬赏问题

  • ¥15 ansys fluent计算闪退
  • ¥15 有关wireshark抓包的问题
  • ¥15 需要写计算过程,不要写代码,求解答,数据都在图上
  • ¥15 向数据表用newid方式插入GUID问题
  • ¥15 multisim电路设计
  • ¥20 用keil,写代码解决两个问题,用库函数
  • ¥50 ID中开关量采样信号通道、以及程序流程的设计
  • ¥15 U-Mamba/nnunetv2固定随机数种子
  • ¥15 vba使用jmail发送邮件正文里面怎么加图片
  • ¥15 vb6.0如何向数据库中添加自动生成的字段数据。