بتل کد Battle Codeدارد باز می‌شود…

Arrows on the Maze چالش 6 از جلسه‌ی 60، سخت

مسیر یادگرفته آماده است. تابع show_path(path) را خودت بنویس: یک کپی از ماز به شکل لیست حرف‌ها بسازد، از START با مسیر جلو برود و در هر خانه‌ای که از آن حرکت کرده فلش آن حرکت را بگذارد (^ v < > از دیکشنری ARROWS) و بعد ماز را سطر به سطر چاپ کند. خروجی باید این سه خط باشد:
>v.#
#v#.
.>>G

import random
import numpy as np

MAZE = ["S..#", "#.#.", "...G"]
ROWS, COLS = len(MAZE), len(MAZE[0])
ACTIONS = ["U", "D", "L", "R"]
DELTA = {"U": (-1, 0), "D": (1, 0), "L": (0, -1), "R": (0, 1)}
ARROWS = {"U": "^", "D": "v", "L": "<", "R": ">"}
START, GOAL = (0, 0), (2, 3)
lr, gamma, epsilon = 0.5, 0.9, 0.2
Q = np.zeros((ROWS * COLS, 4))


def index(state):
    return state[0] * COLS + state[1]


def step(state, a):
    r, c = state
    dr, dc = DELTA[ACTIONS[a]]
    nr, nc = r + dr, c + dc
    if not (0 <= nr < ROWS and 0 <= nc < COLS) or MAZE[nr][nc] == "#":
        nr, nc = r, c
    if (nr, nc) == GOAL:
        return (nr, nc), 10, True
    return (nr, nc), -1, False


random.seed(0)
for episode in range(200):
    state, steps, done = START, 0, False
    while not done and steps < 50:
        s = index(state)
        a = random.randrange(4) if random.random() < epsilon else int(np.argmax(Q[s]))
        state, r, done = step(state, a)
        best_next = 0 if done else np.max(Q[index(state)])
        Q[s, a] += lr * (r + gamma * best_next - Q[s, a])
        steps += 1

path = []
state = START
while state != GOAL and len(path) < 20:
    a = int(np.argmax(Q[index(state)]))
    path.append(ACTIONS[a])
    state, r, done = step(state, a)


def show_path(path):
    grid = [list(row) for row in MAZE]
    # walk the path and put the arrows, then print every row


show_path(path)

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 60: یادگیری تقویتی ۲

بیشتر بخوان: list comprehension در پایتون: از حلقه for تا یک خط کد