CertPoleのQ強化学習っぽいもの 📖

OpenAI-GymのCertPoleのQ-Lerningっぽいものをなでしこで実装したもの。学習終了の条件を設けていないので学習の様子を眺める用。Gym自体はライブラリの形で取り込んで利用している。

プログラム: (→大)
# OpenAI Gym Certpole Q-Learning # なでしこv3版のOpen AI Gym Certpoleの環境を取り込む !「https://n3s.nadesi.com/plain/1927.nako3」を取り込む 強化学習 ●強化学習とは 　QENVとは変数 　ENVとは変数 　QENVはQENV作成 　ENVはGYM作成 　QENV["イテレーション数"]は0 　# イテレーションを繰り返す 　オンの間繰り返す 　　QENV["ゲーム数"]は0 　　# ゲームを繰り返す 　　(QENV["ゲーム数"]＜QENV["イテレーションゲーム数"])の間繰り返す 　　　QENV["STATE"]はGYMリセット 　　　QENV["エピソード報酬"]は0 　　　QENV["ステップ"]は0 　　　続行フラグとは変数 　　　続行フラグはオン 　　　# 1ゲーム分のステップを行う 　　　(続行フラグ=オン)の間繰り返す 　　　　ACTIONとは変数 　　　　ACTIONはQENVのACTION取得 　　　　結果とは変数 　　　　結果はACTIONでGYMステップ 　　　　GYM描画 　　　　次STATEとは変数 　　　　REWARDとは変数 　　　　DONEとは変数 　　　　COMPLETEとは変数 　　　　次STATEは結果[0] 　　　　REWARDは結果[1] 　　　　DONEは結果[2] 　　　　COMPLETEは結果[3] 　　　　QENV["エピソード報酬"]はQENV["エピソード報酬"]+REWARD 　　　　REWARDは0 　　　　もし、DONEならば、 　　　　　もし、COMPLETEならば、 　　　　　　REWARDは1.0 　　　　　違えば 　　　　　　REWARDは-1.0 　　　　　ここまで 　　　　　続行フラグはオフ 　　　　違えば 　　　　　REWARDは0.0 　　　　ここまで 　　　　QENVのACTIONを次STATEにREWARDでQTABLE更新 　　　　QENV["STATE"]は次STATE 　　　　QENVのACTIONで状態表示 　　　　QENVの報酬グラフ描画 　　　　QENV["ステップ"]はQENV["ステップ"]+1 　　　　(1.0/QENV["FPS"])秒待つ 　　　ここまで 　　　QENV["ゲーム数"]はQENV["ゲーム数"]+1 　　　QENV["エピソード"]はQENV["エピソード"]+1 　　　QENV["エピソード報酬履歴"]にQENV["エピソード報酬"]を配列追加 　　　もし、(QENV["エピソード報酬履歴"]の配列要素数)＞QENV["エピソード報酬履歴最大数"]ならば、 　　　　QENV["エピソード報酬履歴"]の0を配列切取 　　　　QENV["エピソード報酬履歴起点"]はQENV["エピソード報酬履歴起点"]+1 　　　ここまで 　　ここまで 　　QENV["イテレーション数"]はQENV["イテレーション数"]+1 　ここまで ここまで ●(AからBまでXをNに)離散化とは 　Cとは変数 　Dとは変数 　Dは(B-A)/N 　Cは(X-A)/D 　もし、C<0ならば 　　0で戻る 　ここまで 　CはCの整数部分 　もし、C>N-1ならば、 　　N-1で戻る 　ここまで 　Cで戻る ここまで ●QENV作成とは 　QENVとは変数 　QENVは{ 　　ETA:0.5, 　　GAMMA:0.99, 　　イテレーションゲーム数:20, 　　イテレーション数:0, 　　エピソード:0, 　　ゲーム数:0, 　　STATE:NULL, 　　ステップ:0, 　　FPS:50, 　　エピソード報酬:0, 　　離散値N:[10,10,10,10], 　　エピソード報酬履歴:[], 　　画面幅:描画中キャンバス["width"], 　　画面高:描画中キャンバス["height"], 　　エピソード報酬履歴起点:0 　} 　QENV["グラフX"]はQENV["画面幅"]/10 　QENV["グラフY"]はQENV["画面高"]/3*2 　QENV["グラフW"]はQENV["画面幅"]-QENV["グラフX"]*2 　QENV["グラフH"]はQENV["画面高"]/3-20 　QENV["エピソード報酬履歴最大数"]はQENV["グラフW"] 　QENV["QTABLE"]はQENVのQTABLE作成 　QENVで戻る ここまで ●(QENVの)QTABLE作成とは 　Qとは変数 　Qは[] 　(QENV["離散値N"][0]*QENV["離散値N"][1]*QENV["離散値N"][2]*QENV["離散値N"][3]*2)回繰り返す 　　QにRNDを配列追加 　ここまで 　Qで戻る ここまで ●(QENVのACTIONを次STATEにREWARDで)QTABLE更新とは 　Iとは変数 　次Iとは変数 　IはQENVのQENV["STATE"]からQINDEX取得 　次IはQENVの次STATEからQINDEX取得 　次最大Qとは変数 　もし、QENV["QTABLE"][次I*2+0]＞QENV["QTABLE"][次I*2+1]ならば、 　　次最大QはQENV["QTABLE"][次I*2+0] 　違えば 　　次最大QはQENV["QTABLE"][次I*2+1] 　ここまで 　Jとは変数 　JはI*2+ACTION 　QENV["QTABLE"][J]はQENV["QTABLE"][J]+QENV["ETA"]*(REWARD+QENV["GAMMA"]*次最大Q-QENV["QTABLE"][J]) ここまで ●(QENVのSTATEから)QINDEX取得とは 　DSTATEとは変数 　DSTATEは[ 　　STATE[0]を-2.4から2.4までQENV["離散値N"][0]に離散化, 　　STATE[1]を-3.0から3.0までQENV["離散値N"][1]に離散化, 　　STATE[2]を-0.5から0.5までQENV["離散値N"][2]に離散化, 　　STATE[3]を-2.0から2.0までQENV["離散値N"][3]に離散化 　] 　((DSTATE[0]*QENV["離散値N"][1]+DSTATE[1])*QENV["離散値N"][2]+DSTATE[2])*QENV["離散値N"][3]+DSTATE[3]で戻る ここまで ●(QENVの)ACTION取得とは 　Eとは変数 　Eは0.5*(1/(QENV["エピソード"]+1)) 　もし、E<RNDならば、 　　Iとは変数 　　IはQENVのQENV["STATE"]からQINDEX取得 　　もし、QENV["QTABLE"][I*2+0]＞QENV["QTABLE"][I*2+1]ならば、 　　　0で戻る 　　違えば 　　　1で戻る 　　ここまで 　ここまで 　2の乱数で戻る ここまで ●(QENVの)報酬グラフ描画とは 　1に線太さ設定 　黒色に線色設定 　空に塗り色設定 　[QENV["グラフX"],QENV["グラフY"],QENV["グラフW"],QENV["グラフH"]]の四角描画 　「12px sans-serif」に描画フォント設定 　描画中コンテキスト["textAlign"]は"right" 　描画中コンテキスト["textBaseline"]は"middle" 　[QENV["グラフX"]-2,QENV["グラフY"]]に500を文字描画 　[QENV["グラフX"]-2,QENV["グラフY"]+QENV["グラフH"]]に0を文字描画 　描画中コンテキスト["textAlign"]は"center" 　[QENV["グラフX"],QENV["グラフY"]+QENV["グラフH"]+8]に(1+QENV["エピソード報酬履歴起点"])を文字描画 　[QENV["グラフX"]+QENV["グラフW"],QENV["グラフY"]+QENV["グラフH"]+8]に(QENV["エピソード報酬履歴起点"]+QENV["エピソード報酬履歴最大数"])を文字描画 　Xとは変数 　Yとは変数 　報酬とは変数 　Xは0 　報酬でQENV["エピソード報酬履歴"]を反復する 　　青色に塗り色設定 　　青色に線色設定 　　Yは報酬/500*QENV["グラフH"] 　　[QENV["グラフX"]+X,QENV["グラフY"]+QENV["グラフH"]-Y,1,1]に四角描画 　　XはX+1 　ここまで ここまで ●(QENVのACTIONで)状態表示とは 　「16px sans-serif」に描画フォント設定 　描画中コンテキスト["textAlign"]は"right" 　描画中コンテキスト["textBaseline"]は"middle" 　[120,10]に「エピソード:」を文字描画 　[180,10]にQENV["エピソード"]を文字描画 　[260,10]に「ステップ:」を文字描画 　[300,10]にQENV["ステップ"]を文字描画 　[350,10]に「操作:」を文字描画 　Mとは変数 　ACTIONで条件分岐 　　0ならば、 　　　Mは「←」 　　ここまで 　　1ならば、 　　　Mは「→」 　　ここまで 　　違えば、 　　　Mは「？」 　　ここまで 　ここまで 　[370,10]にMを文字描画 ここまで ●RNDとは 　『Math.random』を[]でJS関数実行で戻る ここまで