Frozen Lake: 在游戏《冰湖》中的Q学习算法测试

简介：
本简介探讨了在名为《冰湖》的游戏环境中应用Q学习算法的过程与结果，分析其在决策制定上的表现和优化路径。 Q学习的冰冻湖 Q-Learning算法已在游戏《冰冻湖》中进行了测试。 技术实现： 该项目使用了Node.js和Electron框架中的JavaScript来完成开发。 工作原理： 该游戏与OpenAI Gym环境相同。 在这个游戏中，特工必须通过随机抽签到达目标位置“G”以获得1分的奖励；否则不会有任何奖励。它可以从四个动作中选择：向左移动、向右移动、向上和向下。 字母S表示安全的起始位置，“F”代表冻结表面，也是安全区域。“H”则代表着陷阱洞穴，如果特工掉入其中，则游戏结束并开始新的回合。 由于湖面被冰封覆盖，因此存在滑倒的风险。这使得特工可能会意外地移动到不希望去的位置上。 实验结果： 通过项目中设置的参数获得了一个Q表。 这个最终形成的Q表体现了代理在训练阶段积累的经验值。 每一个列代表了根据当前状态采取某个行动（向左、右、上或下）所可能得到即时及未来的奖励概率。