Note: 실행을 위해 아래의 패키지들을 설치해주기 바랍니다.

!pip install tqdm numpy scikit-learn pyglet setuptools && \
!pip install gym asciinema pandas tabulate tornado==5.* PyBullet && \
!pip install git+https://github.com/pybox2d/pybox2d#egg=Box2D && \
!pip install git+https://github.com/mimoralea/gym-bandits#egg=gym-bandits && \
!pip install git+https://github.com/mimoralea/gym-walk#egg=gym-walk && \
!pip install git+https://github.com/mimoralea/gym-aima#egg=gym-aima && \
!pip install gym[atari]

대체/누적되는 추적을 가진 SARSA($\lambda$), 대체/누적되는 추적을 가진 Q($\lambda$), Dyna-Q, 경로 샘플링

import warnings ; warnings.filterwarnings('ignore')

import itertools
import gym, gym_walk, gym_aima
import numpy as np
from tabulate import tabulate
from pprint import pprint
from tqdm import tqdm_notebook as tqdm
from mpl_toolkits.mplot3d import Axes3D

from itertools import cycle, count

import random
import matplotlib
import matplotlib.pyplot as plt
import matplotlib.pylab as pylab
SEEDS = (12, 34, 56, 78, 90)

%matplotlib inline
plt.style.use('fivethirtyeight')
params = {
    'figure.figsize': (15, 8),
    'font.size': 24,
    'legend.fontsize': 20,
    'axes.titlesize': 28,
    'axes.labelsize': 24,
    'xtick.labelsize': 20,
    'ytick.labelsize': 20
}
pylab.rcParams.update(params)
np.set_printoptions(suppress=True)

실행에 필요한 helper function

def value_iteration(P, gamma=1.0, theta=1e-10):
    V = np.zeros(len(P), dtype=np.float64)
    while True:
        Q = np.zeros((len(P), len(P[0])), dtype=np.float64)
        for s in range(len(P)):
            for a in range(len(P[s])):
                for prob, next_state, reward, done in P[s][a]:
                    Q[s][a] += prob * (reward + gamma * V[next_state] * (not done))
        if np.max(np.abs(V - np.max(Q, axis=1))) < theta:
            break
        V = np.max(Q, axis=1)
    pi = lambda s: {s:a for s, a in enumerate(np.argmax(Q, axis=1))}[s]
    return Q, V, pi
def print_policy(pi, P, action_symbols=('<', 'v', '>', '^'), n_cols=4, title='정책:'):
    print(title)
    arrs = {k:v for k,v in enumerate(action_symbols)}
    for s in range(len(P)):
        a = pi(s)
        print("| ", end="")
        if np.all([done for action in P[s].values() for _, _, _, done in action]):
            print("".rjust(9), end=" ")
        else:
            print(str(s).zfill(2), arrs[a].rjust(6), end=" ")
        if (s + 1) % n_cols == 0: print("|")
def print_state_value_function(V, P, n_cols=4, prec=3, title='상태-가치 함수:'):
    print(title)
    for s in range(len(P)):
        v = V[s]
        print("| ", end="")
        if np.all([done for action in P[s].values() for _, _, _, done in action]):
            print("".rjust(9), end=" ")
        else:
            print(str(s).zfill(2), '{}'.format(np.round(v, prec)).rjust(6), end=" ")
        if (s + 1) % n_cols == 0: print("|")
def print_action_value_function(Q, 
                                optimal_Q=None, 
                                action_symbols=('<', '>'), 
                                prec=3, 
                                title='행동-가치 함수:'):
    vf_types=('',) if optimal_Q is None else ('', '*', 'er')
    headers = ['s',] + [' '.join(i) for i in list(itertools.product(vf_types, action_symbols))]
    print(title)
    states = np.arange(len(Q))[..., np.newaxis]
    arr = np.hstack((states, np.round(Q, prec)))
    if not (optimal_Q is None):
        arr = np.hstack((arr, np.round(optimal_Q, prec), np.round(optimal_Q-Q, prec)))
    print(tabulate(arr, headers, tablefmt="fancy_grid"))
def get_policy_metrics(env, gamma, pi, goal_state, optimal_Q, 
                       n_episodes=100, max_steps=200):
    random.seed(123); np.random.seed(123) ; env.seed(123)
    reached_goal, episode_reward, episode_regret = [], [], []
    for _ in range(n_episodes):
        state, done, steps = env.reset(), False, 0
        episode_reward.append(0.0)
        episode_regret.append(0.0)
        while not done and steps < max_steps:
            action = pi(state)
            regret = np.max(optimal_Q[state]) - optimal_Q[state][action]
            episode_regret[-1] += regret
            
            state, reward, done, _ = env.step(action)
            episode_reward[-1] += (gamma**steps * reward)
            
            steps += 1

        reached_goal.append(state == goal_state)
    results = np.array((np.sum(reached_goal)/len(reached_goal)*100, 
                        np.mean(episode_reward), 
                        np.mean(episode_regret)))
    return results
def get_metrics_from_tracks(env, gamma, goal_state, optimal_Q, pi_track, coverage=0.1):
    total_samples = len(pi_track)
    n_samples = int(total_samples * coverage)
    samples_e = np.linspace(0, total_samples, n_samples, endpoint=True, dtype=np.int)
    metrics = []
    for e, pi in enumerate(tqdm(pi_track)):
        if e in samples_e:
            metrics.append(get_policy_metrics(
                env, 
                gamma=gamma, 
                pi=lambda s: pi[s], 
                goal_state=goal_state, 
                optimal_Q=optimal_Q))
        else:
            metrics.append(metrics[-1])
    metrics = np.array(metrics)
    success_rate_ma, mean_return_ma, mean_regret_ma = np.apply_along_axis(moving_average, axis=0, arr=metrics).T
    return success_rate_ma, mean_return_ma, mean_regret_ma
def rmse(x, y, dp=4):
    return np.round(np.sqrt(np.mean((x - y)**2)), dp)
def moving_average(a, n=100) :
    ret = np.cumsum(a, dtype=float)
    ret[n:] = ret[n:] - ret[:-n]
    return ret[n - 1:] / n
def plot_value_function(title, V_track, V_true=None, log=False, limit_value=0.05, limit_items=5):
    np.random.seed(123)
    per_col = 25
    linecycler = cycle(["-","--",":","-."])
    legends = []

    valid_values = np.argwhere(V_track[-1] > limit_value).squeeze()
    items_idxs = np.random.choice(valid_values, 
                                  min(len(valid_values), limit_items), 
                                  replace=False)
    # 첫번째 참값을 뽑아냅니다.
    if V_true is not None:
        for i, state in enumerate(V_track.T):
            if i not in items_idxs:
                continue
            if state[-1] < limit_value:
                continue

            label = 'v*({})'.format(i)
            plt.axhline(y=V_true[i], color='k', linestyle='-', linewidth=1)
            plt.text(int(len(V_track)*1.02), V_true[i]+.01, label)

    # 이에 대한 추정치를 계산합니다.
    for i, state in enumerate(V_track.T):
        if i not in items_idxs:
            continue
        if state[-1] < limit_value:
            continue
        line_type = next(linecycler)
        label = 'V({})'.format(i)
        p, = plt.plot(state, line_type, label=label, linewidth=3)
        legends.append(p)
        
    legends.reverse()

    ls = []
    for loc, idx in enumerate(range(0, len(legends), per_col)):
        subset = legends[idx:idx+per_col]
        l = plt.legend(subset, [p.get_label() for p in subset], 
                       loc='center right', bbox_to_anchor=(1.25, 0.5))
        ls.append(l)
    [plt.gca().add_artist(l) for l in ls[:-1]]
    if log: plt.xscale('log')
    plt.title(title)
    plt.ylabel('State-value function')
    plt.xlabel('Episodes (log scale)' if log else 'Episodes')
    plt.show()
def plot_transition_model(T_track, episode = 0):
    fig = plt.figure(figsize=(20,10))
    ax = fig.add_subplot(111, projection='3d')
    ax.view_init(elev=20, azim=50)

    color_left = '#008fd5' # ax._get_lines.get_next_color()
    color_right = '#fc4f30' #ax._get_lines.get_next_color()

    left_prob = np.divide(T_track[episode][:,0].T, 
                          T_track[episode][:,0].sum(axis=1).T).T
    left_prob = np.nan_to_num(left_prob, 0)

    right_prob = np.divide(T_track[episode][:,1].T, 
                           T_track[episode][:,1].sum(axis=1).T).T
    right_prob = np.nan_to_num(right_prob, 0)

    for s in np.arange(9):
        ax.bar3d(s+0.1, np.arange(9)+0.1, np.zeros(9),
                 np.zeros(9)+0.3,
                 np.zeros(9)+0.3, 
                 left_prob[s], 
                 color=color_left, 
                 alpha=0.75,
                 shade=True)
        ax.bar3d(s+0.1, np.arange(9)+0.1, left_prob[s],
                 np.zeros(9)+0.3,
                 np.zeros(9)+0.3, 
                 right_prob[s], 
                 color=color_right, 
                 alpha=0.75,
                 shade=True)

    ax.tick_params(axis='x', which='major', pad=10)
    ax.tick_params(axis='y', which='major', pad=10)
    ax.tick_params(axis='z', which='major', pad=10)

    ax.xaxis.set_rotate_label(False)
    ax.yaxis.set_rotate_label(False)
    ax.zaxis.set_rotate_label(False)
    ax.set_xticks(np.arange(9))
    ax.set_yticks(np.arange(9))

    plt.title('SWS learned MDP after {} episodes'.format(episode+1))
    ax.set_xlabel('Initial\nstate', labelpad=75, rotation=0)
    ax.set_ylabel('Landing\nstate', labelpad=75, rotation=0)
    ax.set_zlabel('Transition\nprobabilities', labelpad=75, rotation=0)

    left_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_left)
    right_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_right)

    plt.legend((left_proxy, right_proxy), 
               ('Left', 'Right'), 
               bbox_to_anchor=(0.15, 0.9), 
               borderaxespad=0.)

    ax.dist = 12
    #plt.gcf().subplots_adjust(left=0.1, right=0.9)
    plt.tight_layout()

    plt.show()
def plot_model_state_sampling(planning, algo='Dyna-Q'):
    fig = plt.figure(figsize=(20,10))

    color_left = '#008fd5' # ax._get_lines.get_next_color()
    color_right = '#fc4f30' #ax._get_lines.get_next_color()

    for s in np.arange(9):
        actions = planning[np.where(planning[:,0]==s)[0], 1]
        left = len(actions[actions == 0])
        right = len(actions[actions == 1])
        plt.bar(s, right, 0.2, color=color_right)
        plt.bar(s, left, 0.2, color=color_left, bottom=right)


    plt.title('States samples from {}\nlearned model of SWS environment'.format(algo))
    plt.xticks(range(9))
    plt.xlabel('Initial states sampled', labelpad=20)
    plt.ylabel('Count', labelpad=50, rotation=0)

    left_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_left)
    right_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_right)

    plt.legend((left_proxy, right_proxy), 
               ('Left', 'Right'), 
               bbox_to_anchor=(0.99, 1.1), 
               borderaxespad=0.)

    #plt.gcf().subplots_adjust(left=0.1, right=0.9)
    plt.tight_layout()

    plt.show()
def plot_model_state_7(planning, algo='Dyna-Q'):
    fig = plt.figure(figsize=(20,10))

    color_left = '#008fd5' # ax._get_lines.get_next_color()
    color_right = '#fc4f30' #ax._get_lines.get_next_color()


    state_7 = planning[np.where(planning[:,0]==7)]
    for sp in [6, 7, 8]:

        actions = state_7[np.where(state_7[:,3]==sp)[0], 1]
        left = len(actions[actions == 0])
        right = len(actions[actions == 1])
        plt.bar(sp, right, 0.2, color=color_right)
        plt.bar(sp, left, 0.2, color=color_left, bottom=right)


    plt.title('Next states samples by {}\nin SWS environment from state 7'.format(algo))
    plt.xticks([6,7,8])
    plt.xlabel('Landing states', labelpad=20)
    plt.ylabel('Count', labelpad=50, rotation=0)

    left_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_left)
    right_proxy = plt.Rectangle((0, 0), 1, 1, fc=color_right)

    plt.legend((left_proxy, right_proxy), 
               ('Left', 'Right'), 
               bbox_to_anchor=(0.99, 1.1), 
               borderaxespad=0.)

    #plt.gcf().subplots_adjust(left=0.1, right=0.9)
    plt.tight_layout()

    plt.show()
def decay_schedule(init_value, min_value, decay_ratio, max_steps, log_start=-2, log_base=10):
    decay_steps = int(max_steps * decay_ratio)
    rem_steps = max_steps - decay_steps
    values = np.logspace(log_start, 0, decay_steps, base=log_base, endpoint=True)[::-1]
    values = (values - values.min()) / (values.max() - values.min())
    values = (init_value - min_value) * values + min_value
    values = np.pad(values, (0, rem_steps), 'edge')
    return values

미끄러지는 7개의 통로

env = gym.make('SlipperyWalkSeven-v0')
init_state = env.reset()
goal_state = 8
gamma = 0.99
n_episodes = 3000
P = env.env.P
n_cols, svf_prec, err_prec, avf_prec=9, 4, 2, 3
action_symbols=('<', '>')
limit_items, limit_value = 5, 0.0
cu_limit_items, cu_limit_value, cu_episodes = 10, 0.0, 100

알파와 입실론 스케쥴링

plt.plot(decay_schedule(0.5, 0.01, 0.5, n_episodes), 
         '-', linewidth=2, 
         label='Alpha schedule')
plt.plot(decay_schedule(1.0, 0.1, 0.9, n_episodes), 
         ':', linewidth=2, 
         label='Epsilon schedule')
plt.legend(loc=1, ncol=1)

plt.title('Alpha and epsilon schedules')
plt.xlabel('Episodes')
plt.ylabel('Hyperparameter values')
plt.xticks(rotation=45)

plt.show()

이상적인 가치 함수와 정책

optimal_Q, optimal_V, optimal_pi = value_iteration(P, gamma=gamma)
print_state_value_function(optimal_V, P, n_cols=n_cols, prec=svf_prec, title='Optimal state-value function:')
print()

print_action_value_function(optimal_Q, 
                            None, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Optimal action-value function:')
print()
print_policy(optimal_pi, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_op, mean_return_op, mean_regret_op = get_policy_metrics(
    env, gamma=gamma, pi=optimal_pi, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_op, mean_return_op, mean_regret_op))
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |

Optimal action-value function:
╒═════╤═══════╤═══════╕
│   s │     < │     > │
╞═════╪═══════╪═══════╡
│   0 │ 0     │ 0     │
├─────┼───────┼───────┤
│   1 │ 0.312 │ 0.564 │
├─────┼───────┼───────┤
│   2 │ 0.67  │ 0.763 │
├─────┼───────┼───────┤
│   3 │ 0.803 │ 0.845 │
├─────┼───────┼───────┤
│   4 │ 0.864 │ 0.889 │
├─────┼───────┼───────┤
│   5 │ 0.901 │ 0.922 │
├─────┼───────┼───────┤
│   6 │ 0.932 │ 0.952 │
├─────┼───────┼───────┤
│   7 │ 0.961 │ 0.981 │
├─────┼───────┼───────┤
│   8 │ 0     │ 0     │
╘═════╧═══════╧═══════╛

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000

SARSA($\lambda$)

def sarsa_lambda(env,
                 gamma=1.0,
                 init_alpha=0.5,
                 min_alpha=0.01,
                 alpha_decay_ratio=0.5,
                 init_epsilon=1.0,
                 min_epsilon=0.1,
                 epsilon_decay_ratio=0.9,
                 lambda_=0.5,
                 replacing_traces=True,
                 n_episodes=3000):
    nS, nA = env.observation_space.n, env.action_space.n
    pi_track = []
    Q = np.zeros((nS, nA), dtype=np.float64)

    Q_track = np.zeros((n_episodes, nS, nA), 
                       dtype=np.float64)
    E = np.zeros((nS, nA), dtype=np.float64)
    select_action = lambda state, Q, epsilon: \
        np.argmax(Q[state]) \
        if np.random.random() > epsilon \
        else np.random.randint(len(Q[state]))
    alphas = decay_schedule(
        init_alpha, min_alpha, 
        alpha_decay_ratio, n_episodes)
    epsilons = decay_schedule(
        init_epsilon, min_epsilon, 
        epsilon_decay_ratio, n_episodes)
    
    for e in tqdm(range(n_episodes), leave=False):
        E.fill(0)

        state, done = env.reset(), False
        action = select_action(state, Q, epsilons[e])
        while not done:
            next_state, reward, done, _ = env.step(action)
            next_action = select_action(next_state, Q, epsilons[e])

            td_target = reward + gamma * Q[next_state][next_action] * (not done)
            td_error = td_target - Q[state][action]
            if replacing_traces: E[state].fill(0)
            E[state][action] = E[state][action] + 1
            if replacing_traces: E.clip(0, 1, out=E)
            Q = Q + alphas[e] * td_error * E
            E = gamma * lambda_ * E
            
            state, action = next_state, next_action

        Q_track[e] = Q
        pi_track.append(np.argmax(Q, axis=1))

    V = np.max(Q, axis=1)
    pi = lambda s: {s:a for s, a in enumerate(np.argmax(Q, axis=1))}[s]
    return Q, V, pi, Q_track, pi_track
Q_rsls, V_rsls, Q_track_rsls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rsl, V_rsl, pi_rsl, Q_track_rsl, pi_track_rsl = sarsa_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rsls.append(Q_rsl) ; V_rsls.append(V_rsl) ; Q_track_rsls.append(Q_track_rsl)
Q_rsl, V_rsl, Q_track_rsl = np.mean(Q_rsls, axis=0), np.mean(V_rsls, axis=0), np.mean(Q_track_rsls, axis=0)
del Q_rsls ; del V_rsls ; del Q_track_rsls
print_state_value_function(V_rsl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rsl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rsl, optimal_V)))
print()
print_action_value_function(Q_rsl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rsl, optimal_Q)))
print()
print_policy(pi_rsl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rsl, mean_return_rsl, mean_regret_rsl = get_policy_metrics(
    env, gamma=gamma, pi=pi_rsl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rsl, mean_return_rsl, mean_regret_rsl))
State-value function found by Sarsa(λ) replacing:
|           | 01 0.4672 | 02 0.6985 | 03 0.8056 | 04 0.8656 | 05 0.9102 | 06 0.9436 | 07 0.9773 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01   -0.1 | 02  -0.06 | 03  -0.04 | 04  -0.02 | 05  -0.01 | 06  -0.01 | 07   -0.0 |           |
State-value function RMSE: 0.0419

Sarsa(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.195 │ 0.467 │ 0.312 │ 0.564 │  0.117 │  0.097 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.512 │ 0.698 │ 0.67  │ 0.763 │  0.158 │  0.065 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.713 │ 0.806 │ 0.803 │ 0.845 │  0.091 │  0.039 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.825 │ 0.866 │ 0.864 │ 0.889 │  0.038 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.878 │ 0.91  │ 0.901 │ 0.922 │  0.023 │  0.012 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.921 │ 0.944 │ 0.932 │ 0.952 │  0.012 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.954 │ 0.977 │ 0.961 │ 0.981 │  0.008 │  0.003 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.06

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000
Q_asls, V_asls, Q_track_asls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_asl, V_asl, pi_asl, Q_track_asl, pi_track_asl = sarsa_lambda(env, gamma=gamma, 
                                                                   replacing_traces=False, 
                                                                   n_episodes=n_episodes)
    Q_asls.append(Q_asl) ; V_asls.append(V_asl) ; Q_track_asls.append(Q_track_asl)
Q_asl, V_asl, Q_track_asl = np.mean(Q_asls, axis=0), np.mean(V_asls, axis=0), np.mean(Q_track_asls, axis=0)
del Q_asls ; del V_asls ; del Q_track_asls
print_state_value_function(V_asl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_asl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_asl, optimal_V)))
print()
print_action_value_function(Q_asl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_asl, optimal_Q)))
print()
print_policy(pi_asl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_asl, mean_return_asl, mean_regret_asl = get_policy_metrics(
    env, gamma=gamma, pi=pi_asl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_asl, mean_return_asl, mean_regret_asl))
State-value function found by Sarsa(λ) accumulating:
|           | 01 0.4814 | 02 0.7085 | 03 0.8168 | 04 0.8683 | 05 0.9082 | 06 0.9443 | 07 0.9783 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01  -0.08 | 02  -0.05 | 03  -0.03 | 04  -0.02 | 05  -0.01 | 06  -0.01 | 07   -0.0 |           |
State-value function RMSE: 0.0353

Sarsa(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.207 │ 0.481 │ 0.312 │ 0.564 │  0.105 │  0.082 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.539 │ 0.709 │ 0.67  │ 0.763 │  0.131 │  0.055 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.727 │ 0.817 │ 0.803 │ 0.845 │  0.077 │  0.028 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.829 │ 0.868 │ 0.864 │ 0.889 │  0.035 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.881 │ 0.908 │ 0.901 │ 0.922 │  0.02  │  0.014 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.918 │ 0.944 │ 0.932 │ 0.952 │  0.014 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.954 │ 0.978 │ 0.961 │ 0.981 │  0.007 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.0511

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000

왓킨스의 Q($\lambda$)

def q_lambda(env,
             gamma=1.0,
             init_alpha=0.5,
             min_alpha=0.01,
             alpha_decay_ratio=0.5,
             init_epsilon=1.0,
             min_epsilon=0.1,
             epsilon_decay_ratio=0.9,
             lambda_=0.5,
             replacing_traces=True,
             n_episodes=3000):
    nS, nA = env.observation_space.n, env.action_space.n
    pi_track = []
    Q = np.zeros((nS, nA), dtype=np.float64)
    Q_track = np.zeros((n_episodes, nS, nA), dtype=np.float64)
    E = np.zeros((nS, nA), dtype=np.float64)
    select_action = lambda state, Q, epsilon: \
        np.argmax(Q[state]) \
        if np.random.random() > epsilon \
        else np.random.randint(len(Q[state]))
    alphas = decay_schedule(
        init_alpha, min_alpha, 
        alpha_decay_ratio, n_episodes)
    epsilons = decay_schedule(
        init_epsilon, min_epsilon, 
        epsilon_decay_ratio, n_episodes)
    
    for e in tqdm(range(n_episodes), leave=False):
        E.fill(0)
        state, done = env.reset(), False
        action = select_action(state, Q, epsilons[e])
        while not done:
            next_state, reward, done, _ = env.step(action)
            next_action = select_action(next_state, Q, epsilons[e])
            
            next_action_is_greedy = Q[next_state][next_action] == Q[next_state].max()

            td_target = reward + gamma * Q[next_state].max() * (not done)
            td_error = td_target - Q[state][action]
            if replacing_traces: E[state].fill(0)
            E[state][action] = E[state][action] + 1
            if replacing_traces: E.clip(0, 1, out=E)
            Q = Q + alphas[e] * td_error * E
            
            if next_action_is_greedy:
                E = gamma * lambda_ * E
            else:
                E.fill(0)

            state, action = next_state, next_action

        Q_track[e] = Q
        pi_track.append(np.argmax(Q, axis=1))

    V = np.max(Q, axis=1)        
    pi = lambda s: {s:a for s, a in enumerate(np.argmax(Q, axis=1))}[s]
    return Q, V, pi, Q_track, pi_track
Q_rqlls, V_rqlls, Q_track_rqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rqll, V_rqll, pi_rqll, Q_track_rqll, pi_track_rqll = q_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rqlls.append(Q_rqll) ; V_rqlls.append(V_rqll) ; Q_track_rqlls.append(Q_track_rqll)
Q_rqll, V_rqll, Q_track_rqll = np.mean(Q_rqlls, axis=0), np.mean(V_rqlls, axis=0), np.mean(Q_track_rqlls, axis=0)
del Q_rqlls ; del V_rqlls ; del Q_track_rqlls
print_state_value_function(V_rqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rqll, optimal_V)))
print()
print_action_value_function(Q_rqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rqll, optimal_Q)))
print()
print_policy(pi_rqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rqll, mean_return_rqll, mean_regret_rqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_rqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rqll, mean_return_rqll, mean_regret_rqll))
State-value function found by Q(λ) replacing:
|           | 01 0.5641 | 02 0.7718 | 03 0.8443 | 04 0.8878 | 05 0.9231 | 06 0.9537 | 07 0.9817 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01    0.0 | 02   0.01 | 03   -0.0 | 04   -0.0 | 05    0.0 | 06    0.0 | 07    0.0 |           |
State-value function RMSE: 0.0031

Q(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.286 │ 0.564 │ 0.312 │ 0.564 │  0.026 │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.661 │ 0.772 │ 0.67  │ 0.763 │  0.01  │ -0.009 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.805 │ 0.844 │ 0.803 │ 0.845 │ -0.001 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.865 │ 0.888 │ 0.864 │ 0.889 │ -0.001 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.901 │ 0.923 │ 0.901 │ 0.922 │  0     │ -0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.933 │ 0.954 │ 0.932 │ 0.952 │ -0.001 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.962 │ 0.982 │ 0.961 │ 0.981 │ -0.001 │ -0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.007

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000
Q_aqlls, V_aqlls, Q_track_aqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_aqll, V_aqll, pi_aqll, Q_track_aqll, pi_track_aqll = q_lambda(env, gamma=gamma, 
                                                                    replacing_traces=False,
                                                                    n_episodes=n_episodes)
    Q_aqlls.append(Q_aqll) ; V_aqlls.append(V_aqll) ; Q_track_aqlls.append(Q_track_aqll)
Q_aqll, V_aqll, Q_track_aqll = np.mean(Q_aqlls, axis=0), np.mean(V_aqlls, axis=0), np.mean(Q_track_aqlls, axis=0)
del Q_aqlls ; del V_aqlls ; del Q_track_aqlls
print_state_value_function(V_aqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_aqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_aqll, optimal_V)))
print()
print_action_value_function(Q_aqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_aqll, optimal_Q)))
print()
print_policy(pi_aqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_aqll, mean_return_aqll, mean_regret_aqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_aqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_aqll, mean_return_aqll, mean_regret_aqll))
State-value function found by Q(λ) accumulating:
|           | 01 0.5853 | 02 0.7684 | 03 0.8461 | 04 0.8894 | 05 0.9223 | 06  0.952 | 07 0.9803 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01   0.02 | 02   0.01 | 03    0.0 | 04    0.0 | 05    0.0 | 06    0.0 | 07   -0.0 |           |
State-value function RMSE: 0.0074

Q(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.329 │ 0.585 │ 0.312 │ 0.564 │ -0.017 │ -0.022 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.674 │ 0.768 │ 0.67  │ 0.763 │ -0.004 │ -0.005 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.802 │ 0.846 │ 0.803 │ 0.845 │  0.001 │ -0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.865 │ 0.889 │ 0.864 │ 0.889 │ -0.001 │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.902 │ 0.922 │ 0.901 │ 0.922 │ -0     │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.932 │ 0.952 │ 0.932 │ 0.952 │  0     │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.962 │ 0.98  │ 0.961 │ 0.981 │ -0.001 │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.0068

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000

Dyna-Q

def dyna_q(env,
           gamma=1.0,
           init_alpha=0.5,
           min_alpha=0.01,
           alpha_decay_ratio=0.5,
           init_epsilon=1.0,
           min_epsilon=0.1,
           epsilon_decay_ratio=0.9,
           n_planning=3,             
           n_episodes=3000):
    nS, nA = env.observation_space.n, env.action_space.n
    pi_track, T_track, R_track, planning_track = [], [], [], []
    Q = np.zeros((nS, nA), dtype=np.float64)
    T_count = np.zeros((nS, nA, nS), dtype=np.int)
    R_model = np.zeros((nS, nA, nS), dtype=np.float64)

    Q_track = np.zeros((n_episodes, nS, nA), dtype=np.float64)
    select_action = lambda state, Q, epsilon: \
        np.argmax(Q[state]) \
        if np.random.random() > epsilon \
        else np.random.randint(len(Q[state]))
    alphas = decay_schedule(
        init_alpha, min_alpha, 
        alpha_decay_ratio, n_episodes)
    epsilons = decay_schedule(
        init_epsilon, min_epsilon, 
        epsilon_decay_ratio, n_episodes)
    
    for e in tqdm(range(n_episodes), leave=False):
        state, done = env.reset(), False
        while not done:
            action = select_action(state, Q, epsilons[e])
            next_state, reward, done, _ = env.step(action)

            T_count[state][action][next_state] += 1
            r_diff = reward - R_model[state][action][next_state]
            R_model[state][action][next_state] += (r_diff / T_count[state][action][next_state])

            td_target = reward + gamma * Q[next_state].max() * (not done)
            td_error = td_target - Q[state][action]
            Q[state][action] = Q[state][action] + alphas[e] * td_error

            backup_next_state = next_state
            for _ in range(n_planning):
                if Q.sum() == 0: break

                visited_states = np.where(np.sum(T_count, axis=(1, 2)) > 0)[0]
                state = np.random.choice(visited_states)

                actions_taken = np.where(np.sum(T_count[state], axis=1) > 0)[0]
                action = np.random.choice(actions_taken)

                probs = T_count[state][action]/T_count[state][action].sum()
                next_state = np.random.choice(np.arange(nS), size=1, p=probs)[0]
                reward = R_model[state][action][next_state]
                planning_track.append((state, action, reward, next_state))

                    
                td_target = reward + gamma * Q[next_state].max()
                td_error = td_target - Q[state][action]
                Q[state][action] = Q[state][action] + alphas[e] * td_error

            state = backup_next_state

        T_track.append(T_count.copy())
        R_track.append(R_model.copy())
        Q_track[e] = Q        
        pi_track.append(np.argmax(Q, axis=1))

    V = np.max(Q, axis=1)
    pi = lambda s: {s:a for s, a in enumerate(np.argmax(Q, axis=1))}[s]
    return Q, V, pi, Q_track, pi_track, T_track, R_track, np.array(planning_track)
Q_dqs, V_dqs, Q_track_dqs = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_dq, V_dq, pi_dq, Q_track_dq, pi_track_dq, T_track_dq, R_track_dq, planning_dq = dyna_q(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_dqs.append(Q_dq) ; V_dqs.append(V_dq) ; Q_track_dqs.append(Q_track_dq)
Q_dq, V_dq, Q_track_dq = np.mean(Q_dqs, axis=0), np.mean(V_dqs, axis=0), np.mean(Q_track_dqs, axis=0)
del Q_dqs ; del V_dqs ; del Q_track_dqs
print_state_value_function(V_dq, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Dyna-Q:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_dq - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_dq, optimal_V)))
print()
print_action_value_function(Q_dq, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Dyna-Q action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_dq, optimal_Q)))
print()
print_policy(pi_dq, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_dq, mean_return_dq, mean_regret_dq = get_policy_metrics(
    env, gamma=gamma, pi=pi_dq, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_dq, mean_return_dq, mean_regret_dq))
State-value function found by Dyna-Q:
|           | 01 0.5576 | 02 0.7725 | 03 0.8452 | 04 0.8896 | 05 0.9212 | 06 0.9515 | 07 0.9821 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01  -0.01 | 02   0.01 | 03    0.0 | 04    0.0 | 05   -0.0 | 06   -0.0 | 07    0.0 |           |
State-value function RMSE: 0.0038

Dyna-Q action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.299 │ 0.558 │ 0.312 │ 0.564 │  0.013 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.685 │ 0.773 │ 0.67  │ 0.763 │ -0.015 │ -0.01  │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.806 │ 0.845 │ 0.803 │ 0.845 │ -0.003 │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.862 │ 0.89  │ 0.864 │ 0.889 │  0.001 │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.901 │ 0.921 │ 0.901 │ 0.922 │  0     │  0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.933 │ 0.951 │ 0.932 │ 0.952 │ -0.001 │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.962 │ 0.982 │ 0.961 │ 0.981 │ -0.001 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.0054

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000
plot_transition_model(T_track_dq, episode=0)
plot_transition_model(T_track_dq, episode=9)
plot_transition_model(T_track_dq, episode=99)
plot_transition_model(T_track_dq, episode=len(T_track_dq)-1)
plot_model_state_sampling(planning_dq, algo='Dyna-Q')
plot_model_state_7(planning_dq, algo='Dyna-Q')

경로 샘플링

def trajectory_sampling(env,
                        gamma=1.0,
                        init_alpha=0.5,
                        min_alpha=0.01,
                        alpha_decay_ratio=0.5,
                        init_epsilon=1.0,
                        min_epsilon=0.1,
                        epsilon_decay_ratio=0.9,
                        max_trajectory_depth=100,
                        planning_freq=5,
                        greedy_planning=True,
                        n_episodes=3000):
    nS, nA = env.observation_space.n, env.action_space.n
    pi_track, T_track, R_track, planning_track = [], [], [], []
    Q = np.zeros((nS, nA), dtype=np.float64)
    T_count = np.zeros((nS, nA, nS), dtype=np.int)
    R_model = np.zeros((nS, nA, nS), dtype=np.float64)

    Q_track = np.zeros((n_episodes, nS, nA), dtype=np.float64)
    select_action = lambda state, Q, epsilon: \
        np.argmax(Q[state]) \
        if np.random.random() > epsilon \
        else np.random.randint(len(Q[state]))
    alphas = decay_schedule(
        init_alpha, min_alpha, 
        alpha_decay_ratio, n_episodes)
    epsilons = decay_schedule(
        init_epsilon, min_epsilon, 
        epsilon_decay_ratio, n_episodes)

    for e in tqdm(range(n_episodes), leave=False):
        state, done = env.reset(), False

        while not done:
            action = select_action(state, Q, epsilons[e])
            next_state, reward, done, _ = env.step(action)
            
            T_count[state][action][next_state] += 1
            r_diff = reward - R_model[state][action][next_state]
            R_model[state][action][next_state] += (r_diff / T_count[state][action][next_state])

            td_target = reward + gamma * Q[next_state].max() * (not done)
            td_error = td_target - Q[state][action]
            Q[state][action] = Q[state][action] + alphas[e] * td_error
            
            backup_next_state = next_state

            if e % planning_freq == 0:
                for _ in range(max_trajectory_depth):
                    if Q.sum() == 0: break

                    action = Q[state].argmax() if greedy_planning else \
                        select_action(state, Q, epsilons[e])
                    if not T_count[state][action].sum(): break
                    probs = T_count[state][action]/T_count[state][action].sum()
                    next_state = np.random.choice(np.arange(nS), size=1, p=probs)[0]
                    reward = R_model[state][action][next_state]
                    planning_track.append((state, action, reward, next_state))

                    td_target = reward + gamma * Q[next_state].max()
                    td_error = td_target - Q[state][action]
                    Q[state][action] = Q[state][action] + alphas[e] * td_error

                    state = next_state

            state = backup_next_state

        T_track.append(T_count.copy())
        R_track.append(R_model.copy())

        Q_track[e] = Q        
        pi_track.append(np.argmax(Q, axis=1))

    V = np.max(Q, axis=1)
    pi = lambda s: {s:a for s, a in enumerate(np.argmax(Q, axis=1))}[s]
    return Q, V, pi, Q_track, pi_track, T_track, R_track, np.array(planning_track)
Q_tss, V_tss, Q_track_tss = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_ts, V_ts, pi_ts, Q_track_ts, pi_track_ts, T_track_ts, R_track_ts, planning_ts = trajectory_sampling(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_tss.append(Q_ts) ; V_tss.append(V_ts) ; Q_track_tss.append(Q_track_ts)
Q_ts, V_ts, Q_track_ts = np.mean(Q_tss, axis=0), np.mean(V_tss, axis=0), np.mean(Q_track_tss, axis=0)
del Q_tss ; del V_tss ; del Q_track_tss
print_state_value_function(V_ts, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Trajectory Sampling:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_ts - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_ts, optimal_V)))
print()
print_action_value_function(Q_ts, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Trajectory Sampling action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_ts, optimal_Q)))
print()
print_policy(pi_ts, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_ts, mean_return_ts, mean_regret_ts = get_policy_metrics(
    env, gamma=gamma, pi=pi_ts, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_ts, mean_return_ts, mean_regret_ts))
State-value function found by Trajectory Sampling:
|           | 01  0.562 | 02 0.7616 | 03 0.8434 | 04 0.8869 | 05 0.9219 | 06 0.9515 | 07  0.981 |           |
Optimal state-value function:
|           | 01 0.5637 | 02  0.763 | 03 0.8449 | 04 0.8892 | 05  0.922 | 06 0.9515 | 07 0.9806 |           |
State-value function errors:
|           | 01   -0.0 | 02   -0.0 | 03   -0.0 | 04   -0.0 | 05   -0.0 | 06   -0.0 | 07    0.0 |           |
State-value function RMSE: 0.0012

Trajectory Sampling action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╕
│   s │     < │     > │   * < │   * > │   er < │   er > │
╞═════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╡
│   0 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   1 │ 0.302 │ 0.562 │ 0.312 │ 0.564 │  0.01  │  0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   2 │ 0.665 │ 0.762 │ 0.67  │ 0.763 │  0.005 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   3 │ 0.802 │ 0.843 │ 0.803 │ 0.845 │  0.001 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   4 │ 0.865 │ 0.887 │ 0.864 │ 0.889 │ -0.002 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   5 │ 0.903 │ 0.922 │ 0.901 │ 0.922 │ -0.001 │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   6 │ 0.934 │ 0.952 │ 0.932 │ 0.952 │ -0.002 │  0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   7 │ 0.962 │ 0.981 │ 0.961 │ 0.981 │ -0.001 │ -0     │
├─────┼───────┼───────┼───────┼───────┼────────┼────────┤
│   8 │ 0     │ 0     │ 0     │ 0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╛
Action-value function RMSE: 0.0029

정책:
|           | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |           |
Reaches goal 96.00%. Obtains an average return of 0.8548. Regret of 0.0000
plot_model_state_sampling(planning_ts, algo='Trajectory Sampling')
plot_model_state_7(planning_ts, algo='Trajectory Sampling')

각 에피소드별 max(Q) 비교

SARSA($\lambda$) 대체

plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rsl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

SARSA($\lambda$) 누적

plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_asl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 대체

plot_value_function(
    'Q(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 누적

plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_aqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Dyna-Q

plot_value_function(
    'Dyna-Q estimates through time vs. true values', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Dyna-Q estimates through time vs. true values (log scale)', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Dyna-Q estimates through time (close up)', 
    np.max(Q_track_dq, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

경로 샘플링

plot_value_function(
    'Trajectory Sampling estimates through time vs. true values', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Trajectory Sampling estimates through time vs. true values (log scale)', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Trajectory Sampling estimates through time (close up)', 
    np.max(Q_track_ts, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

정책 평가 비교

rsl_success_rate_ma, rsl_mean_return_ma, rsl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rsl)
asl_success_rate_ma, asl_mean_return_ma, asl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_asl)
rqll_success_rate_ma, rqll_mean_return_ma, rqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rqll)
aqll_success_rate_ma, aqll_mean_return_ma, aqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_aqll)
dq_success_rate_ma, dq_mean_return_ma, dq_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_dq)
ts_success_rate_ma, ts_mean_return_ma, ts_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_ts)
plt.axhline(y=success_rate_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_success_rate_ma)*1.02), success_rate_op*1.01, 'π*')

plt.plot(rsl_success_rate_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_success_rate_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_success_rate_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_success_rate_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_success_rate_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_success_rate_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy success rate (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Success rate %')
plt.ylim(-1, 101)
plt.xticks(rotation=45)


plt.show()
plt.axhline(y=mean_return_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_mean_return_ma)*1.02), mean_return_op*1.01, 'π*')

plt.plot(rsl_mean_return_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_return_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_return_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_mean_return_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_return_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_return_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy episode return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Return (Gt:T)')

plt.xticks(rotation=45)

plt.show()
plt.plot(rsl_mean_regret_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_regret_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_regret_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_mean_regret_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_regret_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_regret_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Policy episode regret (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Regret (q* - Q)')
plt.xticks(rotation=45)

plt.show()
plt.axhline(y=optimal_V[init_state], color='k', linestyle='-', linewidth=1)
plt.text(int(len(Q_track_rsl)*1.05), optimal_V[init_state]+.01, 'v*({})'.format(init_state))

plt.plot(moving_average(np.max(Q_track_rsl, axis=2).T[init_state]), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.max(Q_track_asl, axis=2).T[init_state]), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_rqll, axis=2).T[init_state]), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.max(Q_track_aqll, axis=2).T[init_state]), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_dq, axis=2).T[init_state]), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.max(Q_track_ts, axis=2).T[init_state]), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Estimated expected return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Estimated value of initial state V({})'.format(init_state))
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rsl, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_asl, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rqll, axis=2) - optimal_V), axis=1)), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_aqll, axis=2) - optimal_V), axis=1)), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_dq, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_ts, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('State-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(V, v*)')
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(Q_track_rsl - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_asl - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_rqll - optimal_Q), axis=(1,2))), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_aqll - optimal_Q), axis=(1,2))), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_dq - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(Q_track_ts - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Action-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(Q, q*)')
plt.xticks(rotation=45)

plt.show()

프로즌레이크 환경

env = gym.make('FrozenLake-v0')
init_state = env.reset()
goal_state = 15
gamma = 0.99
n_episodes = 10000
P = env.env.P
n_cols, svf_prec, err_prec, avf_prec=4, 4, 2, 3
action_symbols=('<', 'v', '>', '^')
limit_items, limit_value = 5, 0.0
cu_limit_items, cu_limit_value, cu_episodes = 10, 0.01, 2000

알파와 입실론 스케쥴링

plt.plot(decay_schedule(0.5, 0.01, 0.5, n_episodes), 
         '-', linewidth=2, 
         label='Alpha schedule')
plt.plot(decay_schedule(1.0, 0.1, 0.9, n_episodes), 
         ':', linewidth=2, 
         label='Epsilon schedule')
plt.legend(loc=1, ncol=1)

plt.title('Alpha and epsilon schedules')
plt.xlabel('Episodes')
plt.ylabel('Hyperparameter values')
plt.xticks(rotation=45)

plt.show()

이상적인 가치 함수와 정책

optimal_Q, optimal_V, optimal_pi = value_iteration(P, gamma=gamma)
print_state_value_function(optimal_V, P, n_cols=n_cols, prec=svf_prec, title='Optimal state-value function:')
print()

print_action_value_function(optimal_Q, 
                            None, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Optimal action-value function:')
print()
print_policy(optimal_pi, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_op, mean_return_op, mean_regret_op = get_policy_metrics(
    env, gamma=gamma, pi=optimal_pi, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_op, mean_return_op, mean_regret_op))
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |

Optimal action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╕
│   s │     < │     v │     > │     ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╡
│   0 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │
├─────┼───────┼───────┼───────┼───────┤
│   1 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │
├─────┼───────┼───────┼───────┼───────┤
│   2 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │
├─────┼───────┼───────┼───────┼───────┤
│   3 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │
├─────┼───────┼───────┼───────┼───────┤
│   4 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │
├─────┼───────┼───────┼───────┼───────┤
│   5 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│   6 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │
├─────┼───────┼───────┼───────┼───────┤
│   7 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│   8 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │
├─────┼───────┼───────┼───────┼───────┤
│   9 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │
├─────┼───────┼───────┼───────┼───────┤
│  10 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │
├─────┼───────┼───────┼───────┼───────┤
│  11 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  12 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  13 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │
├─────┼───────┼───────┼───────┼───────┤
│  14 │ 0.733 │ 0.863 │ 0.821 │ 0.781 │
├─────┼───────┼───────┼───────┼───────┤
│  15 │ 0     │ 0     │ 0     │ 0     │
╘═════╧═══════╧═══════╧═══════╧═══════╛

정책:
| 00      < | 01      ^ | 02      ^ | 03      ^ |
| 04      < |           | 06      < |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 74.00%. Obtains an average return of 0.5116. Regret of 0.0000

추적을 대체하는 SARSA($\lambda$)

Q_rsls, V_rsls, Q_track_rsls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rsl, V_rsl, pi_rsl, Q_track_rsl, pi_track_rsl = sarsa_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rsls.append(Q_rsl) ; V_rsls.append(V_rsl) ; Q_track_rsls.append(Q_track_rsl)
Q_rsl, V_rsl, Q_track_rsl = np.mean(Q_rsls, axis=0), np.mean(V_rsls, axis=0), np.mean(Q_track_rsls, axis=0)
del Q_rsls ; del V_rsls ; del Q_track_rsls
print_state_value_function(V_rsl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rsl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rsl, optimal_V)))
print()
print_action_value_function(Q_rsl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rsl, optimal_Q)))
print()
print_policy(pi_rsl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rsl, mean_return_rsl, mean_regret_rsl = get_policy_metrics(
    env, gamma=gamma, pi=pi_rsl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rsl, mean_return_rsl, mean_regret_rsl))
State-value function found by Sarsa(λ) replacing:
| 00 0.2941 | 01 0.2414 | 02 0.2168 | 03  0.133 |
| 04 0.3138 |           | 06 0.2152 |           |
| 08 0.3585 | 09 0.4465 | 10 0.4496 |           |
|           | 13 0.5839 | 14 0.7726 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00  -0.25 | 01  -0.26 | 02  -0.25 | 03  -0.32 |
| 04  -0.24 |           | 06  -0.14 |           |
| 08  -0.23 | 09   -0.2 | 10  -0.17 |           |
|           | 13  -0.16 | 14  -0.09 |           |
State-value function RMSE: 0.1822

Sarsa(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.294 │ 0.27  │ 0.271 │ 0.265 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.248 │  0.258 │  0.256 │  0.257 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.118 │ 0.126 │ 0.105 │ 0.241 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │  0.225 │  0.208 │  0.215 │  0.257 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.217 │ 0.136 │ 0.139 │ 0.133 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.221 │  0.298 │  0.285 │  0.338 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.045 │ 0.047 │ 0.036 │ 0.133 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.262 │  0.259 │  0.265 │  0.324 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.314 │ 0.218 │ 0.209 │ 0.198 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.245 │  0.162 │  0.165 │  0.165 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.162 │ 0.116 │ 0.202 │ 0.049 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.196 │  0.087 │  0.156 │  0.107 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.214 │ 0.255 │ 0.252 │ 0.358 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.166 │  0.152 │  0.144 │  0.233 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.291 │ 0.447 │ 0.326 │ 0.259 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │  0.149 │  0.197 │  0.122 │  0.139 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.45  │ 0.354 │ 0.289 │ 0.184 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.166 │  0.143 │  0.114 │  0.147 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.304 │ 0.418 │ 0.584 │ 0.365 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │  0.153 │  0.112 │  0.158 │  0.131 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.557 │ 0.773 │ 0.713 │ 0.64  │ 0.733 │ 0.863 │ 0.821 │ 0.781 │  0.175 │  0.09  │  0.108 │  0.141 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.167

정책:
| 00      < | 01      ^ | 02      < | 03      ^ |
| 04      < |           | 06      > |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 70.00%. Obtains an average return of 0.4864. Regret of 0.0156

추적을 누적하는 SARSA($\lambda$)

Q_asls, V_asls, Q_track_asls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_asl, V_asl, pi_asl, Q_track_asl, pi_track_asl = sarsa_lambda(env, gamma=gamma, 
                                                                   replacing_traces=False, 
                                                                   n_episodes=n_episodes)
    Q_asls.append(Q_asl) ; V_asls.append(V_asl) ; Q_track_asls.append(Q_track_asl)
Q_asl, V_asl, Q_track_asl = np.mean(Q_asls, axis=0), np.mean(V_asls, axis=0), np.mean(Q_track_asls, axis=0)
del Q_asls ; del V_asls ; del Q_track_asls
print_state_value_function(V_asl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_asl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_asl, optimal_V)))
print()
print_action_value_function(Q_asl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_asl, optimal_Q)))
print()
print_policy(pi_asl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_asl, mean_return_asl, mean_regret_asl = get_policy_metrics(
    env, gamma=gamma, pi=pi_asl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_asl, mean_return_asl, mean_regret_asl))
State-value function found by Sarsa(λ) accumulating:
| 00 0.2872 | 01 0.2453 | 02 0.2138 | 03 0.1526 |
| 04 0.3114 |           | 06 0.2142 |           |
| 08 0.3617 | 09 0.4517 | 10 0.4699 |           |
|           | 13 0.5917 | 14 0.7812 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00  -0.25 | 01  -0.25 | 02  -0.26 | 03   -0.3 |
| 04  -0.25 |           | 06  -0.14 |           |
| 08  -0.23 | 09  -0.19 | 10  -0.15 |           |
|           | 13  -0.15 | 14  -0.08 |           |
State-value function RMSE: 0.1784

Sarsa(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.287 │ 0.274 │ 0.275 │ 0.271 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.255 │  0.253 │  0.253 │  0.252 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.125 │ 0.127 │ 0.11  │ 0.245 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │  0.218 │  0.207 │  0.21  │  0.254 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.214 │ 0.153 │ 0.142 │ 0.14  │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.224 │  0.28  │  0.282 │  0.33  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.047 │ 0.048 │ 0.043 │ 0.153 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.26  │  0.258 │  0.259 │  0.304 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.311 │ 0.213 │ 0.197 │ 0.199 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.247 │  0.166 │  0.177 │  0.164 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.206 │ 0.125 │ 0.176 │ 0.049 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.153 │  0.078 │  0.182 │  0.106 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.223 │ 0.264 │ 0.241 │ 0.362 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.156 │  0.144 │  0.155 │  0.23  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.292 │ 0.452 │ 0.326 │ 0.264 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │  0.148 │  0.191 │  0.122 │  0.134 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.47  │ 0.35  │ 0.295 │ 0.183 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.145 │  0.147 │  0.108 │  0.148 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.314 │ 0.424 │ 0.592 │ 0.395 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │  0.143 │  0.106 │  0.15  │  0.102 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.557 │ 0.781 │ 0.705 │ 0.66  │ 0.733 │ 0.863 │ 0.821 │ 0.781 │  0.175 │  0.082 │  0.116 │  0.121 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.1633

정책:
| 00      < | 01      ^ | 02      < | 03      ^ |
| 04      < |           | 06      > |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 70.00%. Obtains an average return of 0.4864. Regret of 0.0156

추적을 대체하는 왓킨스 Q($\lambda$)

Q_rqlls, V_rqlls, Q_track_rqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rqll, V_rqll, pi_rqll, Q_track_rqll, pi_track_rqll = q_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rqlls.append(Q_rqll) ; V_rqlls.append(V_rqll) ; Q_track_rqlls.append(Q_track_rqll)
Q_rqll, V_rqll, Q_track_rqll = np.mean(Q_rqlls, axis=0), np.mean(V_rqlls, axis=0), np.mean(Q_track_rqlls, axis=0)
del Q_rqlls ; del V_rqlls ; del Q_track_rqlls
print_state_value_function(V_rqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rqll, optimal_V)))
print()
print_action_value_function(Q_rqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rqll, optimal_Q)))
print()
print_policy(pi_rqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rqll, mean_return_rqll, mean_regret_rqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_rqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rqll, mean_return_rqll, mean_regret_rqll))
State-value function found by Q(λ) replacing:
| 00 0.5205 | 01 0.4758 | 02 0.4481 | 03 0.4346 |
| 04 0.5376 |           | 06 0.3382 |           |
| 08 0.5704 | 09 0.6248 | 10 0.6006 |           |
|           | 13 0.7198 | 14 0.8505 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00  -0.02 | 01  -0.02 | 02  -0.02 | 03  -0.02 |
| 04  -0.02 |           | 06  -0.02 |           |
| 08  -0.02 | 09  -0.02 | 10  -0.01 |           |
|           | 13  -0.02 | 14  -0.01 |           |
State-value function RMSE: 0.0167

Q(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.521 │ 0.511 │ 0.512 │ 0.505 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.021 │  0.017 │  0.016 │  0.017 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.344 │ 0.336 │ 0.305 │ 0.476 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │ -0     │ -0.002 │  0.015 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.422 │ 0.426 │ 0.415 │ 0.448 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.016 │  0.008 │  0.01  │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.295 │ 0.296 │ 0.286 │ 0.435 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.011 │  0.01  │  0.016 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.538 │ 0.348 │ 0.357 │ 0.362 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.021 │  0.032 │  0.017 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.326 │ 0.185 │ 0.318 │ 0.147 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.033 │  0.018 │  0.041 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.364 │ 0.402 │ 0.38  │ 0.57  │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.015 │  0.006 │  0.016 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.434 │ 0.625 │ 0.439 │ 0.402 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │  0.006 │  0.018 │  0.009 │ -0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.601 │ 0.51  │ 0.413 │ 0.344 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.015 │ -0.014 │ -0.01  │ -0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.441 │ 0.517 │ 0.72  │ 0.489 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │  0.016 │  0.012 │  0.022 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.734 │ 0.851 │ 0.824 │ 0.784 │ 0.733 │ 0.863 │ 0.821 │ 0.781 │ -0.001 │  0.012 │ -0.003 │ -0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0137

정책:
| 00      < | 01      ^ | 02      ^ | 03      ^ |
| 04      < |           | 06      < |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 74.00%. Obtains an average return of 0.5116. Regret of 0.0000

추적을 누적하는 왓킨스 Q($\lambda$)

Q_aqlls, V_aqlls, Q_track_aqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_aqll, V_aqll, pi_aqll, Q_track_aqll, pi_track_aqll = q_lambda(env, gamma=gamma, 
                                                                    replacing_traces=False,
                                                                    n_episodes=n_episodes)
    Q_aqlls.append(Q_aqll) ; V_aqlls.append(V_aqll) ; Q_track_aqlls.append(Q_track_aqll)
Q_aqll, V_aqll, Q_track_aqll = np.mean(Q_aqlls, axis=0), np.mean(V_aqlls, axis=0), np.mean(Q_track_aqlls, axis=0)
del Q_aqlls ; del V_aqlls ; del Q_track_aqlls
print_state_value_function(V_aqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_aqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_aqll, optimal_V)))
print()
print_action_value_function(Q_aqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_aqll, optimal_Q)))
print()
print_policy(pi_aqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_aqll, mean_return_aqll, mean_regret_aqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_aqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_aqll, mean_return_aqll, mean_regret_aqll))
State-value function found by Q(λ) accumulating:
| 00 0.5208 | 01 0.4669 | 02 0.4335 | 03 0.4211 |
| 04 0.5382 |           | 06  0.321 |           |
| 08 0.5731 | 09 0.6253 | 10 0.5811 |           |
|           | 13 0.7373 | 14  0.862 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00  -0.02 | 01  -0.03 | 02  -0.04 | 03  -0.04 |
| 04  -0.02 |           | 06  -0.04 |           |
| 08  -0.02 | 09  -0.02 | 10  -0.03 |           |
|           | 13   -0.0 | 14   -0.0 |           |
State-value function RMSE: 0.0221

Q(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.521 │ 0.5   │ 0.497 │ 0.495 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.021 │  0.028 │  0.03  │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.331 │ 0.307 │ 0.302 │ 0.467 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │  0.013 │  0.028 │  0.018 │  0.032 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.421 │ 0.416 │ 0.41  │ 0.433 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.018 │  0.017 │  0.014 │  0.037 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.287 │ 0.297 │ 0.294 │ 0.421 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.019 │  0.009 │  0.008 │  0.036 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.538 │ 0.352 │ 0.348 │ 0.343 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.02  │  0.027 │  0.026 │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.307 │ 0.188 │ 0.318 │ 0.13  │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.051 │  0.015 │  0.041 │  0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.379 │ 0.393 │ 0.387 │ 0.573 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.001 │  0.014 │  0.01  │  0.019 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.424 │ 0.625 │ 0.419 │ 0.388 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │  0.016 │  0.018 │  0.029 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.581 │ 0.493 │ 0.396 │ 0.317 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.034 │  0.004 │  0.007 │  0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.44  │ 0.514 │ 0.737 │ 0.491 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │  0.017 │  0.016 │  0.004 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.721 │ 0.862 │ 0.805 │ 0.764 │ 0.733 │ 0.863 │ 0.821 │ 0.781 │  0.012 │  0.001 │  0.016 │  0.017 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0183

정책:
| 00      < | 01      ^ | 02      ^ | 03      ^ |
| 04      < |           | 06      < |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 74.00%. Obtains an average return of 0.5116. Regret of 0.0000

Dyna-Q

Q_dqs, V_dqs, Q_track_dqs = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_dq, V_dq, pi_dq, Q_track_dq, pi_track_dq, T_track_dq, R_track_dq, planning_dq = dyna_q(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_dqs.append(Q_dq) ; V_dqs.append(V_dq) ; Q_track_dqs.append(Q_track_dq)
Q_dq, V_dq, Q_track_dq = np.mean(Q_dqs, axis=0), np.mean(V_dqs, axis=0), np.mean(Q_track_dqs, axis=0)
del Q_dqs ; del V_dqs ; del Q_track_dqs
print_state_value_function(V_dq, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Dyna-Q:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_dq - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_dq, optimal_V)))
print()
print_action_value_function(Q_dq, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Dyna-Q action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_dq, optimal_Q)))
print()
print_policy(pi_dq, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_dq, mean_return_dq, mean_regret_dq = get_policy_metrics(
    env, gamma=gamma, pi=pi_dq, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_dq, mean_return_dq, mean_regret_dq))
State-value function found by Dyna-Q:
| 00 0.5278 | 01 0.4863 | 02 0.4592 | 03 0.4437 |
| 04 0.5448 |           | 06 0.3628 |           |
| 08  0.579 | 09 0.6339 | 10  0.604 |           |
|           | 13 0.7354 | 14 0.8566 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00  -0.01 | 01  -0.01 | 02  -0.01 | 03  -0.01 |
| 04  -0.01 |           | 06    0.0 |           |
| 08  -0.01 | 09  -0.01 | 10  -0.01 |           |
|           | 13  -0.01 | 14  -0.01 |           |
State-value function RMSE: 0.0091

Dyna-Q action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.528 │ 0.514 │ 0.514 │ 0.509 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.014 │  0.013 │  0.014 │  0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.322 │ 0.335 │ 0.314 │ 0.486 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │  0.022 │ -0.001 │  0.006 │  0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.432 │ 0.427 │ 0.416 │ 0.459 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.006 │  0.007 │  0.009 │  0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.298 │ 0.303 │ 0.286 │ 0.444 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.008 │  0.003 │  0.015 │  0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.545 │ 0.371 │ 0.36  │ 0.361 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.014 │  0.009 │  0.014 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.336 │ 0.238 │ 0.358 │ 0.134 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.023 │ -0.035 │  0     │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.37  │ 0.419 │ 0.366 │ 0.579 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.009 │ -0.011 │  0.03  │  0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.446 │ 0.634 │ 0.446 │ 0.401 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │ -0.006 │  0.009 │  0.002 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.604 │ 0.488 │ 0.393 │ 0.348 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.011 │  0.009 │  0.01  │ -0.017 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.472 │ 0.5   │ 0.735 │ 0.509 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │ -0.015 │  0.029 │  0.006 │ -0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.718 │ 0.857 │ 0.813 │ 0.786 │ 0.733 │ 0.863 │ 0.821 │ 0.781 │  0.015 │  0.006 │  0.008 │ -0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0115

정책:
| 00      < | 01      ^ | 02      ^ | 03      ^ |
| 04      < |           | 06      > |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 72.00%. Obtains an average return of 0.4936. Regret of 0.0000

경로 샘플링

Q_tss, V_tss, Q_track_tss = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_ts, V_ts, pi_ts, Q_track_ts, pi_track_ts, T_track_ts, R_track_ts, planning_ts = trajectory_sampling(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_tss.append(Q_ts) ; V_tss.append(V_ts) ; Q_track_tss.append(Q_track_ts)
Q_ts, V_ts, Q_track_ts = np.mean(Q_tss, axis=0), np.mean(V_tss, axis=0), np.mean(Q_track_tss, axis=0)
del Q_tss ; del V_tss ; del Q_track_tss
print_state_value_function(V_ts, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Trajectory Sampling:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_ts - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_ts, optimal_V)))
print()
print_action_value_function(Q_ts, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Trajectory Sampling action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_ts, optimal_Q)))
print()
print_policy(pi_ts, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_ts, mean_return_ts, mean_regret_ts = get_policy_metrics(
    env, gamma=gamma, pi=pi_ts, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_ts, mean_return_ts, mean_regret_ts))
State-value function found by Trajectory Sampling:
| 00 0.5377 | 01 0.4944 | 02 0.4656 | 03 0.4507 |
| 04 0.5536 |           | 06 0.3605 |           |
| 08 0.5857 | 09 0.6343 | 10 0.5992 |           |
|           | 13 0.7337 | 14 0.8616 |           |
Optimal state-value function:
| 00  0.542 | 01 0.4988 | 02 0.4707 | 03 0.4569 |
| 04 0.5585 |           | 06 0.3583 |           |
| 08 0.5918 | 09 0.6431 | 10 0.6152 |           |
|           | 13 0.7417 | 14 0.8628 |           |
State-value function errors:
| 00   -0.0 | 01   -0.0 | 02  -0.01 | 03  -0.01 |
| 04   -0.0 |           | 06    0.0 |           |
| 08  -0.01 | 09  -0.01 | 10  -0.02 |           |
|           | 13  -0.01 | 14   -0.0 |           |
State-value function RMSE: 0.006

Trajectory Sampling action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.538 │ 0.522 │ 0.52  │ 0.515 │ 0.542 │ 0.528 │ 0.528 │ 0.522 │  0.004 │  0.006 │  0.008 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.345 │ 0.324 │ 0.313 │ 0.494 │ 0.343 │ 0.334 │ 0.32  │ 0.499 │ -0.001 │  0.01  │  0.007 │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.432 │ 0.426 │ 0.419 │ 0.466 │ 0.438 │ 0.434 │ 0.424 │ 0.471 │  0.006 │  0.008 │  0.005 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.3   │ 0.29  │ 0.284 │ 0.451 │ 0.306 │ 0.306 │ 0.302 │ 0.457 │  0.006 │  0.016 │  0.017 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.554 │ 0.374 │ 0.382 │ 0.342 │ 0.558 │ 0.38  │ 0.374 │ 0.363 │  0.005 │  0.006 │ -0.008 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.333 │ 0.175 │ 0.335 │ 0.168 │ 0.358 │ 0.203 │ 0.358 │ 0.155 │  0.025 │  0.028 │  0.023 │ -0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.365 │ 0.413 │ 0.404 │ 0.586 │ 0.38  │ 0.408 │ 0.397 │ 0.592 │  0.015 │ -0.006 │ -0.008 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.426 │ 0.634 │ 0.439 │ 0.373 │ 0.44  │ 0.643 │ 0.448 │ 0.398 │  0.014 │  0.009 │  0.009 │  0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.599 │ 0.485 │ 0.405 │ 0.331 │ 0.615 │ 0.497 │ 0.403 │ 0.33  │  0.016 │  0.012 │ -0.002 │ -0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.461 │ 0.537 │ 0.734 │ 0.501 │ 0.457 │ 0.53  │ 0.742 │ 0.497 │ -0.004 │ -0.008 │  0.008 │ -0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.73  │ 0.862 │ 0.813 │ 0.776 │ 0.733 │ 0.863 │ 0.821 │ 0.781 │  0.002 │  0.001 │  0.008 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0095

정책:
| 00      < | 01      ^ | 02      ^ | 03      ^ |
| 04      < |           | 06      < |           |
| 08      ^ | 09      v | 10      < |           |
|           | 13      > | 14      v |           |
Reaches goal 74.00%. Obtains an average return of 0.5116. Regret of 0.0000

각 에피소드별 max(Q) 비교

SARSA($\lambda$) 대체

plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rsl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

SARSA($\lambda$) 누적

plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_asl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 대체

plot_value_function(
    'Q(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 누적

plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_aqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Dyna-Q

plot_value_function(
    'Dyna-Q estimates through time vs. true values', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Dyna-Q estimates through time vs. true values (log scale)', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Dyna-Q estimates through time (close up)', 
    np.max(Q_track_dq, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

경로 샘플링

plot_value_function(
    'Trajectory Sampling estimates through time vs. true values', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Trajectory Sampling estimates through time vs. true values (log scale)', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Trajectory Sampling estimates through time (close up)', 
    np.max(Q_track_ts, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

정책 평가 비교

rsl_success_rate_ma, rsl_mean_return_ma, rsl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rsl)
asl_success_rate_ma, asl_mean_return_ma, asl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_asl)
rqll_success_rate_ma, rqll_mean_return_ma, rqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rqll)
aqll_success_rate_ma, aqll_mean_return_ma, aqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_aqll)
dq_success_rate_ma, dq_mean_return_ma, dq_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_dq)
ts_success_rate_ma, ts_mean_return_ma, ts_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_ts)
plt.axhline(y=success_rate_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_success_rate_ma)*1.02), success_rate_op*1.01, 'π*')

plt.plot(rsl_success_rate_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_success_rate_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_success_rate_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_success_rate_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_success_rate_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_success_rate_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy success rate (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Success rate %')
plt.ylim(-1, 101)
plt.xticks(rotation=45)


plt.show()
plt.axhline(y=mean_return_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_mean_return_ma)*1.02), mean_return_op*1.01, 'π*')

plt.plot(rsl_mean_return_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_return_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_return_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_mean_return_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_return_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_return_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy episode return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Return (Gt:T)')

plt.xticks(rotation=45)

plt.show()
plt.plot(rsl_mean_regret_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_regret_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_regret_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.plot(aqll_mean_regret_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_regret_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_regret_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Policy episode regret (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Regret (q* - Q)')
plt.xticks(rotation=45)

plt.show()
plt.axhline(y=optimal_V[init_state], color='k', linestyle='-', linewidth=1)
plt.text(int(len(Q_track_rsl)*1.05), optimal_V[init_state]+.01, 'v*({})'.format(init_state))

plt.plot(moving_average(np.max(Q_track_rsl, axis=2).T[init_state]), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.max(Q_track_asl, axis=2).T[init_state]), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_rqll, axis=2).T[init_state]), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.max(Q_track_aqll, axis=2).T[init_state]), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_dq, axis=2).T[init_state]), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.max(Q_track_ts, axis=2).T[init_state]), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Estimated expected return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Estimated value of initial state V({})'.format(init_state))
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rsl, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_asl, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rqll, axis=2) - optimal_V), axis=1)), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_aqll, axis=2) - optimal_V), axis=1)), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_dq, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_ts, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('State-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(V, v*)')
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(Q_track_rsl - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_asl - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_rqll - optimal_Q), axis=(1,2))), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_aqll - optimal_Q), axis=(1,2))), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_dq - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(Q_track_ts - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Action-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(Q, q*)')
plt.xticks(rotation=45)

plt.show()

큰 프로즌레이크 (8x8)

env = gym.make('FrozenLake8x8-v0')
init_state = env.reset()
goal_state = 63
gamma = 0.99
n_episodes = 30000
P = env.env.P
n_cols, svf_prec, err_prec, avf_prec=8, 4, 2, 3
action_symbols=('<', 'v', '>', '^')
limit_items, limit_value = 5, 0.025
cu_limit_items, cu_limit_value, cu_episodes = 10, 0.0, 5000

알파와 입실론 스케쥴링

plt.plot(decay_schedule(0.5, 0.01, 0.5, n_episodes), 
         '-', linewidth=2, 
         label='Alpha schedule')
plt.plot(decay_schedule(1.0, 0.1, 0.9, n_episodes), 
         ':', linewidth=2, 
         label='Epsilon schedule')
plt.legend(loc=1, ncol=1)

plt.title('Alpha and epsilon schedules')
plt.xlabel('Episodes')
plt.ylabel('Hyperparameter values')
plt.xticks(rotation=45)

plt.show()

이상적인 가치 함수와 정책

optimal_Q, optimal_V, optimal_pi = value_iteration(P, gamma=gamma)
print_state_value_function(optimal_V, P, n_cols=n_cols, prec=svf_prec, title='Optimal state-value function:')
print()

print_action_value_function(optimal_Q, 
                            None, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Optimal action-value function:')
print()
print_policy(optimal_pi, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_op, mean_return_op, mean_regret_op = get_policy_metrics(
    env, gamma=gamma, pi=optimal_pi, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_op, mean_return_op, mean_regret_op))
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |

Optimal action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╕
│   s │     < │     v │     > │     ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╡
│   0 │ 0.41  │ 0.414 │ 0.414 │ 0.415 │
├─────┼───────┼───────┼───────┼───────┤
│   1 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │
├─────┼───────┼───────┼───────┼───────┤
│   2 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │
├─────┼───────┼───────┼───────┼───────┤
│   3 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │
├─────┼───────┼───────┼───────┼───────┤
│   4 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │
├─────┼───────┼───────┼───────┼───────┤
│   5 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │
├─────┼───────┼───────┼───────┼───────┤
│   6 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │
├─────┼───────┼───────┼───────┼───────┤
│   7 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │
├─────┼───────┼───────┼───────┼───────┤
│   8 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │
├─────┼───────┼───────┼───────┼───────┤
│   9 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │
├─────┼───────┼───────┼───────┼───────┤
│  10 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │
├─────┼───────┼───────┼───────┼───────┤
│  11 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │
├─────┼───────┼───────┼───────┼───────┤
│  12 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │
├─────┼───────┼───────┼───────┼───────┤
│  13 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │
├─────┼───────┼───────┼───────┼───────┤
│  14 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │
├─────┼───────┼───────┼───────┼───────┤
│  15 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │
├─────┼───────┼───────┼───────┼───────┤
│  16 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │
├─────┼───────┼───────┼───────┼───────┤
│  17 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │
├─────┼───────┼───────┼───────┼───────┤
│  18 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │
├─────┼───────┼───────┼───────┼───────┤
│  19 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  20 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │
├─────┼───────┼───────┼───────┼───────┤
│  21 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │
├─────┼───────┼───────┼───────┼───────┤
│  22 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │
├─────┼───────┼───────┼───────┼───────┤
│  23 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │
├─────┼───────┼───────┼───────┼───────┤
│  24 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │
├─────┼───────┼───────┼───────┼───────┤
│  25 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │
├─────┼───────┼───────┼───────┼───────┤
│  26 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │
├─────┼───────┼───────┼───────┼───────┤
│  27 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │
├─────┼───────┼───────┼───────┼───────┤
│  28 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │
├─────┼───────┼───────┼───────┼───────┤
│  29 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  30 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │
├─────┼───────┼───────┼───────┼───────┤
│  31 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │
├─────┼───────┼───────┼───────┼───────┤
│  32 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │
├─────┼───────┼───────┼───────┼───────┤
│  33 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │
├─────┼───────┼───────┼───────┼───────┤
│  34 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │
├─────┼───────┼───────┼───────┼───────┤
│  35 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  36 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │
├─────┼───────┼───────┼───────┼───────┤
│  37 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │
├─────┼───────┼───────┼───────┼───────┤
│  38 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │
├─────┼───────┼───────┼───────┼───────┤
│  39 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │
├─────┼───────┼───────┼───────┼───────┤
│  40 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │
├─────┼───────┼───────┼───────┼───────┤
│  41 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  42 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  43 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │
├─────┼───────┼───────┼───────┼───────┤
│  44 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │
├─────┼───────┼───────┼───────┼───────┤
│  45 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │
├─────┼───────┼───────┼───────┼───────┤
│  46 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  47 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │
├─────┼───────┼───────┼───────┼───────┤
│  48 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │
├─────┼───────┼───────┼───────┼───────┤
│  49 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  50 │ 0.042 │ 0.058 │ 0.058 │ 0.016 │
├─────┼───────┼───────┼───────┼───────┤
│  51 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │
├─────┼───────┼───────┼───────┼───────┤
│  52 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  53 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │
├─────┼───────┼───────┼───────┼───────┤
│  54 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  55 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │
├─────┼───────┼───────┼───────┼───────┤
│  56 │ 0.28  │ 0.251 │ 0.254 │ 0.254 │
├─────┼───────┼───────┼───────┼───────┤
│  57 │ 0.159 │ 0.201 │ 0.108 │ 0.135 │
├─────┼───────┼───────┼───────┼───────┤
│  58 │ 0.127 │ 0.108 │ 0.061 │ 0.085 │
├─────┼───────┼───────┼───────┼───────┤
│  59 │ 0     │ 0     │ 0     │ 0     │
├─────┼───────┼───────┼───────┼───────┤
│  60 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │
├─────┼───────┼───────┼───────┼───────┤
│  61 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │
├─────┼───────┼───────┼───────┼───────┤
│  62 │ 0.404 │ 0.737 │ 0.577 │ 0.494 │
├─────┼───────┼───────┼───────┼───────┤
│  63 │ 0     │ 0     │ 0     │ 0     │
╘═════╧═══════╧═══════╧═══════╧═══════╛

정책:
| 00      ^ | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      v | 28      < |           | 30      > | 31      > |
| 32      < | 33      ^ | 34      < |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      v | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      v | 51      < |           | 53      < |           | 55      > |
| 56      < | 57      v | 58      < |           | 60      v | 61      > | 62      v |           |
Reaches goal 81.00%. Obtains an average return of 0.3994. Regret of 0.0000

SARSA($\lambda$) 대체

Q_rsls, V_rsls, Q_track_rsls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rsl, V_rsl, pi_rsl, Q_track_rsl, pi_track_rsl = sarsa_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rsls.append(Q_rsl) ; V_rsls.append(V_rsl) ; Q_track_rsls.append(Q_track_rsl)
Q_rsl, V_rsl, Q_track_rsl = np.mean(Q_rsls, axis=0), np.mean(V_rsls, axis=0), np.mean(Q_track_rsls, axis=0)
del Q_rsls ; del V_rsls ; del Q_track_rsls
print_state_value_function(V_rsl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rsl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rsl, optimal_V)))
print()
print_action_value_function(Q_rsl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rsl, optimal_Q)))
print()
print_policy(pi_rsl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rsl, mean_return_rsl, mean_regret_rsl = get_policy_metrics(
    env, gamma=gamma, pi=pi_rsl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rsl, mean_return_rsl, mean_regret_rsl))
State-value function found by Sarsa(λ) replacing:
| 00 0.2416 | 01 0.2499 | 02 0.2651 | 03 0.2854 | 04 0.3088 | 05 0.3341 | 06  0.353 | 07 0.3573 |
| 08 0.2375 | 09 0.2447 | 10 0.2578 | 11 0.2771 | 12  0.299 | 13 0.3286 | 14 0.3617 | 15 0.3746 |
| 16 0.2115 | 17 0.2091 | 18 0.1956 |           | 20 0.2412 | 21 0.3088 | 22 0.3711 | 23 0.4023 |
| 24 0.1504 | 25 0.1559 | 26  0.139 | 27 0.0886 | 28 0.1472 |           | 30 0.3798 | 31 0.4486 |
| 32 0.0533 | 33 0.0487 | 34 0.0364 |           | 36 0.1404 | 37 0.2004 | 38 0.3508 | 39 0.5192 |
| 40 0.0066 |           |           | 43 0.0341 | 44  0.099 | 45  0.136 |           | 47 0.6163 |
| 48 0.0019 |           | 50 0.0009 | 51 0.0062 |           | 53  0.122 |           | 55 0.7921 |
| 56 0.0005 | 57 0.0001 | 58 0.0002 |           | 60 0.0668 | 61 0.2667 | 62 0.5133 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00  -0.17 | 01  -0.18 | 02  -0.18 | 03  -0.18 | 04  -0.18 | 05  -0.18 | 06  -0.18 | 07  -0.18 |
| 08  -0.17 | 09  -0.18 | 10  -0.18 | 11  -0.18 | 12  -0.18 | 13  -0.18 | 14  -0.18 | 15  -0.18 |
| 16  -0.19 | 17  -0.18 | 18  -0.18 |           | 20  -0.18 | 21  -0.19 | 22  -0.19 | 23  -0.18 |
| 24  -0.22 | 25   -0.2 | 26  -0.17 | 27  -0.11 | 28  -0.15 |           | 30  -0.19 | 31  -0.18 |
| 32  -0.28 | 33  -0.24 | 34  -0.16 |           | 36  -0.15 | 37  -0.16 | 38  -0.18 | 39  -0.17 |
| 40   -0.3 |           |           | 43  -0.05 | 44  -0.11 | 45  -0.14 |           | 47  -0.16 |
| 48  -0.29 |           | 50  -0.06 | 51  -0.04 |           | 53  -0.13 |           | 55  -0.09 |
| 56  -0.28 | 57   -0.2 | 58  -0.13 |           | 60  -0.17 | 61  -0.22 | 62  -0.22 |           |
State-value function RMSE: 0.1666

Sarsa(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.235 │ 0.237 │ 0.237 │ 0.242 │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.175 │  0.176 │  0.176 │  0.173 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.239 │ 0.244 │ 0.25  │ 0.246 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.178 │  0.179 │  0.177 │  0.179 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.25  │ 0.257 │ 0.265 │ 0.259 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.183 │  0.183 │  0.181 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.266 │ 0.275 │ 0.284 │ 0.281 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.187 │  0.186 │  0.184 │  0.183 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.29  │ 0.299 │ 0.309 │ 0.302 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.186 │  0.186 │  0.184 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.316 │ 0.323 │ 0.334 │ 0.324 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.186 │  0.186 │  0.182 │  0.186 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.345 │ 0.347 │ 0.353 │ 0.344 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.182 │  0.182 │  0.182 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.356 │ 0.356 │ 0.355 │ 0.354 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.183 │  0.183 │  0.186 │  0.179 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.215 │ 0.215 │ 0.217 │ 0.237 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.189 │  0.19  │  0.19  │  0.174 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.223 │ 0.223 │ 0.227 │ 0.245 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.183 │  0.188 │  0.188 │  0.177 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.224 │ 0.227 │ 0.233 │ 0.258 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.186 │  0.187 │  0.189 │  0.18  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.184 │ 0.177 │ 0.19  │ 0.277 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.114 │  0.127 │  0.124 │  0.181 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.262 │ 0.271 │ 0.278 │ 0.299 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.191 │  0.189 │  0.193 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.302 │ 0.308 │ 0.327 │ 0.322 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.191 │  0.195 │  0.186 │  0.188 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.346 │ 0.351 │ 0.362 │ 0.347 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.185 │  0.187 │  0.184 │  0.183 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.366 │ 0.372 │ 0.369 │ 0.361 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.186 │  0.186 │  0.187 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.12  │ 0.114 │ 0.118 │ 0.212 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.269 │  0.269 │  0.269 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.127 │ 0.117 │ 0.121 │ 0.209 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.259 │  0.254 │  0.258 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.196 │ 0.07  │ 0.079 │ 0.092 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.18  │  0.161 │  0.166 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.107 │ 0.119 │ 0.241 │ 0.148 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │  0.152 │  0.143 │  0.181 │  0.174 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.156 │ 0.178 │ 0.204 │ 0.309 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.152 │  0.146 │  0.151 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.343 │ 0.353 │ 0.371 │ 0.347 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.188 │  0.192 │  0.19  │  0.189 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.388 │ 0.394 │ 0.398 │ 0.377 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.188 │  0.192 │  0.187 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.047 │ 0.04  │ 0.049 │ 0.15  │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.315 │  0.308 │  0.308 │  0.219 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.053 │ 0.046 │ 0.051 │ 0.156 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.295 │  0.273 │  0.277 │  0.197 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.068 │ 0.046 │ 0.056 │ 0.139 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0.238 │  0.201 │  0.199 │  0.168 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.018 │ 0.053 │ 0.021 │ 0.079 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.083 │  0.148 │  0.078 │  0.121 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.147 │ 0.049 │ 0.081 │ 0.065 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │  0.154 │  0.112 │  0.154 │  0.14  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.241 │ 0.253 │ 0.38  │ 0.271 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0.12  │  0.131 │  0.189 │  0.122 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.418 │ 0.431 │ 0.449 │ 0.4   │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.191 │  0.191 │  0.18  │  0.188 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.012 │ 0.009 │ 0.013 │ 0.053 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.321 │  0.298 │  0.306 │  0.275 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.014 │ 0.008 │ 0.01  │ 0.049 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.212 │  0.167 │  0.171 │  0.243 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.022 │ 0.003 │ 0.006 │ 0.023 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.175 │  0.093 │  0.095 │  0.174 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.05  │ 0.068 │ 0.14  │ 0.083 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │  0.119 │  0.122 │  0.149 │  0.136 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.074 │ 0.2   │ 0.145 │ 0.135 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │  0.112 │  0.162 │  0.121 │  0.137 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.187 │ 0.216 │ 0.285 │ 0.351 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │  0.12  │  0.131 │  0.131 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.454 │ 0.481 │ 0.519 │ 0.428 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.184 │  0.178 │  0.171 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.005 │ 0.001 │ 0.002 │ 0.005 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.301 │  0.196 │  0.203 │  0.206 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0     │ 0.013 │ 0.015 │ 0.021 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │  0.015 │  0.073 │  0.072 │  0.05  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.033 │ 0.028 │ 0.059 │ 0.091 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │  0.09  │  0.09  │  0.127 │  0.123 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.136 │ 0.045 │ 0.073 │ 0.059 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │  0.137 │  0.108 │  0.129 │  0.131 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.413 │ 0.467 │ 0.616 │ 0.366 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.104 │  0.077 │  0.156 │  0.117 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.001 │ 0     │ 0.001 │ 0     │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.288 │  0.188 │  0.192 │  0.196 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0     │ 0     │ 0.001 │ 0     │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.042 │  0.058 │  0.057 │  0.016 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.003 │ 0     │ 0.001 │ 0.003 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │  0.044 │  0.019 │  0.028 │  0.044 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.067 │ 0.053 │ 0.097 │ 0.015 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │  0.184 │  0.108 │  0.154 │  0.075 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.519 │ 0.573 │ 0.792 │ 0.434 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │  0.069 │  0.05  │  0.086 │  0.11  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0     │ 0     │ 0     │ 0     │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.28  │  0.251 │  0.254 │  0.254 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0     │ 0     │ 0     │ 0     │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.159 │  0.201 │  0.108 │  0.135 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0     │ 0     │ 0     │ 0     │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.127 │  0.108 │  0.061 │  0.085 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.003 │ 0.009 │ 0.055 │ 0.021 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.076 │  0.23  │  0.185 │  0.14  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.04  │ 0.13  │ 0.176 │ 0.138 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │  0.282 │  0.353 │  0.31  │  0.267 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.043 │ 0.394 │ 0.131 │ 0.228 │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.361 │  0.343 │  0.445 │  0.266 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.17

정책:
| 00      ^ | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      < |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      ^ | 14      > | 15      > |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      ^ | 28      < |           | 30      > | 31      > |
| 32      ^ | 33      ^ | 34      ^ |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      ^ |           |           | 43      ^ | 44      ^ | 45      < |           | 47      > |
| 48      > |           | 50      > | 51      ^ |           | 53      > |           | 55      > |
| 56      > | 57      v | 58      < |           | 60      > | 61      v | 62      v |           |
Reaches goal 92.00%. Obtains an average return of 0.4264. Regret of 0.0207

SARSA($\lambda$) 누적

Q_asls, V_asls, Q_track_asls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_asl, V_asl, pi_asl, Q_track_asl, pi_track_asl = sarsa_lambda(env, gamma=gamma, 
                                                                   replacing_traces=False, 
                                                                   n_episodes=n_episodes)
    Q_asls.append(Q_asl) ; V_asls.append(V_asl) ; Q_track_asls.append(Q_track_asl)
Q_asl, V_asl, Q_track_asl = np.mean(Q_asls, axis=0), np.mean(V_asls, axis=0), np.mean(Q_track_asls, axis=0)
del Q_asls ; del V_asls ; del Q_track_asls
print_state_value_function(V_asl, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Sarsa(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_asl - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_asl, optimal_V)))
print()
print_action_value_function(Q_asl, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Sarsa(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_asl, optimal_Q)))
print()
print_policy(pi_asl, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_asl, mean_return_asl, mean_regret_asl = get_policy_metrics(
    env, gamma=gamma, pi=pi_asl, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_asl, mean_return_asl, mean_regret_asl))
State-value function found by Sarsa(λ) accumulating:
| 00 0.2398 | 01  0.248 | 02 0.2628 | 03 0.2829 | 04 0.3103 | 05 0.3389 | 06 0.3578 | 07 0.3628 |
| 08 0.2364 | 09 0.2427 | 10 0.2557 | 11 0.2745 | 12 0.2989 | 13 0.3309 | 14  0.365 | 15 0.3766 |
| 16 0.2147 | 17 0.2118 | 18 0.1967 |           | 20 0.2444 | 21 0.3088 | 22 0.3763 | 23 0.4018 |
| 24 0.1644 | 25 0.1636 | 26 0.1449 | 27 0.0939 | 28 0.1546 |           | 30 0.3848 | 31 0.4434 |
| 32 0.0544 | 33 0.0521 | 34 0.0354 |           | 36 0.1426 | 37 0.2024 | 38 0.3576 | 39 0.5073 |
| 40 0.0075 |           |           | 43 0.0276 | 44 0.0905 | 45  0.123 |           | 47 0.6022 |
| 48 0.0016 |           | 50 0.0009 | 51 0.0063 |           | 53 0.1092 |           | 55 0.7683 |
| 56 0.0007 | 57 0.0002 | 58 0.0001 |           | 60 0.0747 | 61 0.2227 | 62 0.4008 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00  -0.17 | 01  -0.18 | 02  -0.18 | 03  -0.19 | 04  -0.18 | 05  -0.18 | 06  -0.18 | 07  -0.18 |
| 08  -0.18 | 09  -0.18 | 10  -0.18 | 11  -0.18 | 12  -0.18 | 13  -0.18 | 14  -0.18 | 15  -0.18 |
| 16  -0.18 | 17  -0.18 | 18  -0.18 |           | 20  -0.18 | 21  -0.19 | 22  -0.18 | 23  -0.18 |
| 24   -0.2 | 25  -0.19 | 26  -0.16 | 27  -0.11 | 28  -0.15 |           | 30  -0.18 | 31  -0.18 |
| 32  -0.28 | 33  -0.24 | 34  -0.16 |           | 36  -0.15 | 37  -0.16 | 38  -0.18 | 39  -0.18 |
| 40   -0.3 |           |           | 43  -0.06 | 44  -0.12 | 45  -0.15 |           | 47  -0.17 |
| 48  -0.29 |           | 50  -0.06 | 51  -0.04 |           | 53  -0.14 |           | 55  -0.11 |
| 56  -0.28 | 57   -0.2 | 58  -0.13 |           | 60  -0.16 | 61  -0.26 | 62  -0.34 |           |
State-value function RMSE: 0.1702

Sarsa(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.234 │ 0.236 │ 0.236 │ 0.24  │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.175 │  0.177 │  0.177 │  0.175 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.238 │ 0.243 │ 0.247 │ 0.245 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.179 │  0.18  │  0.18  │  0.18  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.249 │ 0.255 │ 0.263 │ 0.258 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.183 │  0.185 │  0.183 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.266 │ 0.274 │ 0.281 │ 0.28  │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.187 │  0.187 │  0.188 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.288 │ 0.299 │ 0.31  │ 0.301 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.188 │  0.186 │  0.182 │  0.186 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.315 │ 0.321 │ 0.339 │ 0.324 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.187 │  0.188 │  0.178 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.345 │ 0.347 │ 0.358 │ 0.344 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.182 │  0.182 │  0.177 │  0.181 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.359 │ 0.356 │ 0.36  │ 0.353 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.18  │  0.183 │  0.181 │  0.18  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.22  │ 0.219 │ 0.221 │ 0.236 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.184 │  0.187 │  0.185 │  0.175 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.225 │ 0.226 │ 0.229 │ 0.243 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.181 │  0.184 │  0.186 │  0.178 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.225 │ 0.226 │ 0.232 │ 0.256 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.185 │  0.188 │  0.19  │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.178 │ 0.182 │ 0.188 │ 0.275 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.121 │  0.122 │  0.126 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.26  │ 0.269 │ 0.281 │ 0.299 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.193 │  0.191 │  0.19  │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.301 │ 0.309 │ 0.324 │ 0.326 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.192 │  0.194 │  0.189 │  0.184 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.348 │ 0.355 │ 0.365 │ 0.348 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.183 │  0.183 │  0.181 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.369 │ 0.375 │ 0.372 │ 0.361 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.183 │  0.183 │  0.184 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.128 │ 0.124 │ 0.13  │ 0.215 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.261 │  0.259 │  0.258 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.133 │ 0.118 │ 0.127 │ 0.212 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.253 │  0.253 │  0.252 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.197 │ 0.069 │ 0.086 │ 0.1   │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.179 │  0.162 │  0.159 │  0.175 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.115 │ 0.109 │ 0.244 │ 0.15  │ 0.259 │ 0.262 │ 0.422 │ 0.322 │  0.144 │  0.153 │  0.177 │  0.172 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.153 │ 0.168 │ 0.194 │ 0.309 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.155 │  0.156 │  0.16  │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.345 │ 0.351 │ 0.376 │ 0.351 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.186 │  0.193 │  0.185 │  0.185 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.393 │ 0.397 │ 0.4   │ 0.381 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.184 │  0.189 │  0.184 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.053 │ 0.044 │ 0.052 │ 0.164 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.31  │  0.304 │  0.305 │  0.205 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.059 │ 0.048 │ 0.053 │ 0.164 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.289 │  0.272 │  0.274 │  0.189 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.066 │ 0.05  │ 0.053 │ 0.145 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0.239 │  0.198 │  0.202 │  0.162 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.023 │ 0.085 │ 0.025 │ 0.051 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.079 │  0.116 │  0.074 │  0.149 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.155 │ 0.046 │ 0.085 │ 0.073 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │  0.146 │  0.115 │  0.15  │  0.133 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.237 │ 0.26  │ 0.385 │ 0.266 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0.125 │  0.124 │  0.184 │  0.127 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.419 │ 0.429 │ 0.443 │ 0.402 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.189 │  0.194 │  0.185 │  0.186 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.015 │ 0.01  │ 0.015 │ 0.054 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.318 │  0.297 │  0.304 │  0.273 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.012 │ 0.008 │ 0.011 │ 0.052 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.214 │  0.167 │  0.17  │  0.239 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.031 │ 0.004 │ 0.006 │ 0.015 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.166 │  0.092 │  0.095 │  0.182 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.054 │ 0.067 │ 0.143 │ 0.083 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │  0.116 │  0.123 │  0.147 │  0.136 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.071 │ 0.202 │ 0.136 │ 0.14  │ 0.185 │ 0.362 │ 0.266 │ 0.272 │  0.114 │  0.16  │  0.131 │  0.132 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.177 │ 0.199 │ 0.287 │ 0.358 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │  0.13  │  0.148 │  0.128 │  0.177 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.462 │ 0.471 │ 0.507 │ 0.431 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.177 │  0.188 │  0.182 │  0.181 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.005 │ 0.001 │ 0.002 │ 0.005 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.301 │  0.195 │  0.203 │  0.206 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0     │ 0.012 │ 0.022 │ 0.01  │ 0.016 │ 0.086 │ 0.086 │ 0.071 │  0.015 │  0.074 │  0.064 │  0.061 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.029 │ 0.029 │ 0.056 │ 0.085 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │  0.095 │  0.09  │  0.13  │  0.129 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.119 │ 0.041 │ 0.079 │ 0.065 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │  0.153 │  0.113 │  0.123 │  0.125 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.419 │ 0.451 │ 0.602 │ 0.359 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.098 │  0.094 │  0.17  │  0.123 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.001 │ 0     │ 0.001 │ 0.001 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.288 │  0.188 │  0.193 │  0.196 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0     │ 0     │ 0     │ 0     │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.042 │  0.058 │  0.057 │  0.015 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.003 │ 0     │ 0.003 │ 0.003 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │  0.045 │  0.019 │  0.026 │  0.045 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.077 │ 0.04  │ 0.083 │ 0.02  │ 0.251 │ 0.161 │ 0.251 │ 0.09  │  0.174 │  0.121 │  0.168 │  0.07  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.524 │ 0.57  │ 0.768 │ 0.459 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │  0.064 │  0.053 │  0.109 │  0.085 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0.001 │ 0     │ 0     │ 0     │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.28  │  0.251 │  0.254 │  0.254 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0     │ 0     │ 0     │ 0     │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.159 │  0.201 │  0.108 │  0.135 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0     │ 0     │ 0     │ 0     │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.127 │  0.108 │  0.061 │  0.085 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.007 │ 0.05  │ 0.049 │ 0.013 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.073 │  0.19  │  0.191 │  0.148 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.046 │ 0.115 │ 0.159 │ 0.108 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │  0.276 │  0.368 │  0.328 │  0.297 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.056 │ 0.208 │ 0.258 │ 0.133 │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.348 │  0.529 │  0.319 │  0.361 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.171

정책:
| 00      ^ | 01      ^ | 02      > | 03      ^ | 04      > | 05      > | 06      > | 07      < |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      > |
| 24      ^ | 25      ^ | 26      ^ | 27      v | 28      < |           | 30      > | 31      > |
| 32      ^ | 33      ^ | 34      < |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      > | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      v | 51      > |           | 53      < |           | 55      > |
| 56      > | 57      < | 58      ^ |           | 60      v | 61      v | 62      > |           |
Reaches goal 85.00%. Obtains an average return of 0.3755. Regret of 0.0430

왓킨스 Q($\lambda$) 대체

Q_rqlls, V_rqlls, Q_track_rqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_rqll, V_rqll, pi_rqll, Q_track_rqll, pi_track_rqll = q_lambda(env, gamma=gamma, n_episodes=n_episodes)
    Q_rqlls.append(Q_rqll) ; V_rqlls.append(V_rqll) ; Q_track_rqlls.append(Q_track_rqll)
Q_rqll, V_rqll, Q_track_rqll = np.mean(Q_rqlls, axis=0), np.mean(V_rqlls, axis=0), np.mean(Q_track_rqlls, axis=0)
del Q_rqlls ; del V_rqlls ; del Q_track_rqlls
print_state_value_function(V_rqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) replacing:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_rqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_rqll, optimal_V)))
print()
print_action_value_function(Q_rqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) replacing action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_rqll, optimal_Q)))
print()
print_policy(pi_rqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_rqll, mean_return_rqll, mean_regret_rqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_rqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_rqll, mean_return_rqll, mean_regret_rqll))
State-value function found by Q(λ) replacing:
| 00 0.3966 | 01 0.4085 | 02  0.428 | 03 0.4494 | 04 0.4714 | 05 0.4951 | 06 0.5117 | 07 0.5166 |
| 08 0.3931 | 09 0.4027 | 10 0.4195 | 11 0.4402 | 12  0.463 | 13 0.4898 | 14 0.5203 | 15 0.5309 |
| 16 0.3733 | 17 0.3721 | 18 0.3533 |           | 20 0.3995 | 21 0.4694 | 22  0.534 | 23 0.5577 |
| 24 0.3414 | 25 0.3258 | 26 0.2845 | 27 0.1791 | 28 0.2781 |           | 30 0.5409 | 31 0.5953 |
| 32 0.2965 | 33 0.2623 | 34 0.1737 |           | 36 0.2607 | 37 0.3286 | 38 0.5083 | 39 0.6558 |
| 40 0.2546 |           |           | 43 0.0707 | 44 0.1817 | 45 0.2299 |           | 47 0.7506 |
| 48 0.2161 |           | 50 0.0149 | 51 0.0303 |           | 53 0.1888 |           | 55 0.8732 |
| 56  0.194 | 57 0.0796 | 58  0.034 |           | 60  0.098 | 61 0.3324 | 62  0.509 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00  -0.02 | 01  -0.02 | 02  -0.02 | 03  -0.02 | 04  -0.02 | 05  -0.02 | 06  -0.02 | 07  -0.02 |
| 08  -0.02 | 09  -0.02 | 10  -0.02 | 11  -0.02 | 12  -0.02 | 13  -0.02 | 14  -0.03 | 15  -0.03 |
| 16  -0.02 | 17  -0.02 | 18  -0.02 |           | 20  -0.02 | 21  -0.02 | 22  -0.03 | 23  -0.03 |
| 24  -0.03 | 25  -0.03 | 26  -0.02 | 27  -0.02 | 28  -0.02 |           | 30  -0.03 | 31  -0.03 |
| 32  -0.04 | 33  -0.03 | 34  -0.02 |           | 36  -0.03 | 37  -0.03 | 38  -0.03 | 39  -0.03 |
| 40  -0.05 |           |           | 43  -0.02 | 44  -0.03 | 45  -0.04 |           | 47  -0.02 |
| 48  -0.07 |           | 50  -0.04 | 51  -0.02 |           | 53  -0.06 |           | 55   -0.0 |
| 56  -0.09 | 57  -0.12 | 58  -0.09 |           | 60  -0.14 | 61  -0.15 | 62  -0.23 |           |
State-value function RMSE: 0.051

Q(λ) replacing action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.387 │ 0.39  │ 0.393 │ 0.394 │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.023 │  0.024 │  0.021 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.393 │ 0.399 │ 0.408 │ 0.401 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.023 │  0.024 │  0.019 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.409 │ 0.415 │ 0.428 │ 0.418 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.023 │  0.025 │  0.018 │  0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.428 │ 0.434 │ 0.449 │ 0.438 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.025 │  0.027 │  0.019 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.45  │ 0.457 │ 0.471 │ 0.458 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.027 │  0.027 │  0.021 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.475 │ 0.478 │ 0.495 │ 0.48  │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.027 │  0.03  │  0.021 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.501 │ 0.502 │ 0.512 │ 0.499 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.026 │  0.027 │  0.024 │  0.026 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.51  │ 0.511 │ 0.516 │ 0.508 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.029 │  0.029 │  0.025 │  0.026 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.376 │ 0.378 │ 0.378 │ 0.393 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.028 │  0.028 │  0.029 │  0.019 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.383 │ 0.386 │ 0.39  │ 0.403 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.024 │  0.024 │  0.025 │  0.019 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.388 │ 0.39  │ 0.397 │ 0.419 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.022 │  0.024 │  0.025 │  0.018 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.277 │ 0.279 │ 0.294 │ 0.44  │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.022 │  0.024 │  0.02  │  0.018 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.429 │ 0.432 │ 0.441 │ 0.463 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.024 │  0.028 │  0.03  │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.465 │ 0.472 │ 0.485 │ 0.483 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.028 │  0.031 │  0.029 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.507 │ 0.512 │ 0.52  │ 0.506 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.025 │  0.027 │  0.025 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.522 │ 0.531 │ 0.525 │ 0.518 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.029 │  0.027 │  0.031 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.359 │ 0.356 │ 0.359 │ 0.373 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.029 │  0.026 │  0.029 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.357 │ 0.349 │ 0.354 │ 0.372 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.029 │  0.022 │  0.025 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.353 │ 0.212 │ 0.236 │ 0.252 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.022 │  0.019 │  0.009 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.25  │ 0.249 │ 0.399 │ 0.304 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │  0.008 │  0.013 │  0.022 │  0.018 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.301 │ 0.323 │ 0.33  │ 0.469 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.007 │  0.001 │  0.024 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.506 │ 0.521 │ 0.534 │ 0.513 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.025 │  0.023 │  0.027 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.552 │ 0.558 │ 0.553 │ 0.541 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.025 │  0.028 │  0.031 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.329 │ 0.322 │ 0.327 │ 0.341 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.034 │  0.026 │  0.03  │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.317 │ 0.296 │ 0.302 │ 0.325 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.031 │  0.023 │  0.025 │  0.028 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.277 │ 0.232 │ 0.242 │ 0.283 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0.028 │  0.016 │  0.013 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.089 │ 0.175 │ 0.084 │ 0.171 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.012 │  0.025 │  0.015 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.278 │ 0.151 │ 0.209 │ 0.193 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │  0.023 │  0.01  │  0.025 │  0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.339 │ 0.352 │ 0.541 │ 0.371 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0.023 │  0.032 │  0.028 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.584 │ 0.589 │ 0.595 │ 0.568 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.025 │  0.034 │  0.033 │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.294 │ 0.274 │ 0.282 │ 0.292 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.039 │  0.033 │  0.037 │  0.036 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.209 │ 0.154 │ 0.175 │ 0.262 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.018 │  0.021 │  0.007 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.168 │ 0.088 │ 0.092 │ 0.162 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.029 │  0.008 │  0.009 │  0.035 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.156 │ 0.166 │ 0.261 │ 0.199 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │  0.014 │  0.024 │  0.029 │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.165 │ 0.329 │ 0.244 │ 0.248 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │  0.021 │  0.033 │  0.023 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.291 │ 0.324 │ 0.401 │ 0.508 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │  0.017 │  0.023 │  0.014 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.626 │ 0.637 │ 0.656 │ 0.589 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.012 │  0.022 │  0.034 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.255 │ 0.131 │ 0.163 │ 0.197 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.052 │  0.065 │  0.042 │  0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0.004 │ 0.065 │ 0.046 │ 0.042 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │  0.012 │  0.022 │  0.04  │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.111 │ 0.096 │ 0.154 │ 0.182 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │  0.013 │  0.023 │  0.031 │  0.032 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.23  │ 0.118 │ 0.16  │ 0.163 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │  0.043 │  0.035 │  0.042 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.492 │ 0.552 │ 0.751 │ 0.476 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.025 │ -0.008 │  0.021 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.216 │ 0.1   │ 0.126 │ 0.133 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.073 │  0.088 │  0.068 │  0.063 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0.003 │ 0.009 │ 0.008 │ 0.001 │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.039 │  0.049 │  0.05  │  0.015 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.026 │ 0.001 │ 0.011 │ 0.008 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │  0.022 │  0.018 │  0.018 │  0.039 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.149 │ 0.068 │ 0.163 │ 0.057 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │  0.101 │  0.092 │  0.087 │  0.033 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.605 │ 0.594 │ 0.873 │ 0.556 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │ -0.017 │  0.029 │  0.005 │ -0.011 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0.194 │ 0.109 │ 0.123 │ 0.125 │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.086 │  0.143 │  0.131 │  0.129 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0.054 │ 0.064 │ 0.017 │ 0.035 │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.105 │  0.137 │  0.092 │  0.1   │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0.033 │ 0.014 │ 0.004 │ 0.009 │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.095 │  0.095 │  0.057 │  0.077 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.009 │ 0.044 │ 0.082 │ 0.022 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.07  │  0.195 │  0.158 │  0.139 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.097 │ 0.195 │ 0.286 │ 0.144 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │  0.225 │  0.288 │  0.201 │  0.261 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.078 │ 0.28  │ 0.296 │ 0.229 │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.326 │  0.457 │  0.281 │  0.264 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0656

정책:
| 00      ^ | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      v | 28      < |           | 30      > | 31      > |
| 32      ^ | 33      ^ | 34      ^ |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      > | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      < | 51      < |           | 53      > |           | 55      > |
| 56      < | 57      < | 58      v |           | 60      > | 61      v | 62      v |           |
Reaches goal 82.00%. Obtains an average return of 0.4156. Regret of 0.0032

왓킨스 Q($\lambda$) 누적

Q_aqlls, V_aqlls, Q_track_aqlls = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_aqll, V_aqll, pi_aqll, Q_track_aqll, pi_track_aqll = q_lambda(env, gamma=gamma, 
                                                                    replacing_traces=False,
                                                                    n_episodes=n_episodes)
    Q_aqlls.append(Q_aqll) ; V_aqlls.append(V_aqll) ; Q_track_aqlls.append(Q_track_aqll)
Q_aqll, V_aqll, Q_track_aqll = np.mean(Q_aqlls, axis=0), np.mean(V_aqlls, axis=0), np.mean(Q_track_aqlls, axis=0)
del Q_aqlls ; del V_aqlls ; del Q_track_aqlls
print_state_value_function(V_aqll, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Q(λ) accumulating:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_aqll - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_aqll, optimal_V)))
print()
print_action_value_function(Q_aqll, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Q(λ) accumulating action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_aqll, optimal_Q)))
print()
print_policy(pi_aqll, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_aqll, mean_return_aqll, mean_regret_aqll = get_policy_metrics(
    env, gamma=gamma, pi=pi_aqll, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_aqll, mean_return_aqll, mean_regret_aqll))
State-value function found by Q(λ) accumulating:
| 00 0.3924 | 01 0.4057 | 02 0.4252 | 03 0.4471 | 04 0.4706 | 05 0.4929 | 06 0.5099 | 07 0.5143 |
| 08 0.3896 | 09 0.3995 | 10 0.4173 | 11 0.4381 | 12 0.4627 | 13 0.4907 | 14 0.5207 | 15 0.5321 |
| 16 0.3708 | 17 0.3686 | 18 0.3491 |           | 20 0.3985 | 21 0.4725 | 22 0.5346 | 23 0.5601 |
| 24 0.3436 | 25 0.3289 | 26 0.2823 | 27 0.1806 | 28 0.2756 |           | 30 0.5408 | 31 0.6102 |
| 32 0.2998 | 33 0.2637 | 34 0.1776 |           | 36 0.2505 | 37  0.313 | 38 0.5038 | 39 0.6802 |
| 40 0.2487 |           |           | 43  0.061 | 44 0.1707 | 45 0.2132 |           | 47 0.7706 |
| 48 0.2174 |           | 50 0.0083 | 51 0.0241 |           | 53 0.1686 |           | 55 0.8835 |
| 56 0.2001 | 57 0.0772 | 58  0.022 |           | 60 0.0605 | 61 0.3062 | 62 0.4714 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00  -0.02 | 01  -0.02 | 02  -0.02 | 03  -0.02 | 04  -0.02 | 05  -0.02 | 06  -0.03 | 07  -0.03 |
| 08  -0.02 | 09  -0.02 | 10  -0.02 | 11  -0.02 | 12  -0.02 | 13  -0.02 | 14  -0.03 | 15  -0.03 |
| 16  -0.03 | 17  -0.03 | 18  -0.03 |           | 20  -0.02 | 21  -0.02 | 22  -0.03 | 23  -0.03 |
| 24  -0.03 | 25  -0.02 | 26  -0.02 | 27  -0.02 | 28  -0.03 |           | 30  -0.03 | 31  -0.02 |
| 32  -0.03 | 33  -0.03 | 34  -0.02 |           | 36  -0.04 | 37  -0.05 | 38  -0.03 | 39  -0.01 |
| 40  -0.06 |           |           | 43  -0.03 | 44  -0.04 | 45  -0.06 |           | 47   -0.0 |
| 48  -0.07 |           | 50  -0.05 | 51  -0.02 |           | 53  -0.08 |           | 55   0.01 |
| 56  -0.08 | 57  -0.12 | 58  -0.11 |           | 60  -0.18 | 61  -0.18 | 62  -0.27 |           |
State-value function RMSE: 0.0581

Q(λ) accumulating action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.383 │ 0.389 │ 0.386 │ 0.39  │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.026 │  0.024 │  0.027 │  0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.391 │ 0.396 │ 0.406 │ 0.398 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.026 │  0.027 │  0.021 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.407 │ 0.412 │ 0.425 │ 0.413 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.026 │  0.028 │  0.021 │  0.03  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.427 │ 0.432 │ 0.447 │ 0.433 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.026 │  0.029 │  0.021 │  0.031 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.448 │ 0.454 │ 0.471 │ 0.456 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.028 │  0.031 │  0.022 │  0.032 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.473 │ 0.475 │ 0.493 │ 0.478 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.03  │  0.034 │  0.024 │  0.031 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.499 │ 0.499 │ 0.51  │ 0.496 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.029 │  0.03  │  0.025 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.506 │ 0.512 │ 0.503 │ 0.501 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.033 │  0.027 │  0.038 │  0.032 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.376 │ 0.377 │ 0.378 │ 0.39  │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.028 │  0.029 │  0.029 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.382 │ 0.384 │ 0.388 │ 0.399 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.025 │  0.026 │  0.028 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.384 │ 0.389 │ 0.393 │ 0.417 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.026 │  0.025 │  0.029 │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.281 │ 0.29  │ 0.294 │ 0.438 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.017 │  0.014 │  0.02  │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.425 │ 0.432 │ 0.439 │ 0.463 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.028 │  0.027 │  0.033 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.466 │ 0.472 │ 0.491 │ 0.474 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.027 │  0.03  │  0.023 │  0.036 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.504 │ 0.511 │ 0.521 │ 0.501 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.027 │  0.028 │  0.025 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.52  │ 0.531 │ 0.524 │ 0.513 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.031 │  0.026 │  0.032 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.36  │ 0.356 │ 0.359 │ 0.371 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.029 │  0.027 │  0.029 │  0.026 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.356 │ 0.347 │ 0.355 │ 0.369 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.031 │  0.024 │  0.024 │  0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.349 │ 0.206 │ 0.229 │ 0.266 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.026 │  0.025 │  0.017 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.242 │ 0.247 │ 0.398 │ 0.304 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │  0.016 │  0.015 │  0.023 │  0.018 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.287 │ 0.31  │ 0.336 │ 0.473 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.021 │  0.014 │  0.019 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.505 │ 0.517 │ 0.535 │ 0.513 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.025 │  0.027 │  0.027 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.549 │ 0.56  │ 0.552 │ 0.539 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.028 │  0.026 │  0.032 │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.329 │ 0.319 │ 0.328 │ 0.344 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.033 │  0.029 │  0.029 │  0.026 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.317 │ 0.289 │ 0.3   │ 0.329 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.031 │  0.03  │  0.027 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.272 │ 0.23  │ 0.231 │ 0.28  │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0.033 │  0.018 │  0.024 │  0.027 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.091 │ 0.172 │ 0.084 │ 0.17  │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.011 │  0.029 │  0.015 │  0.031 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.276 │ 0.143 │ 0.22  │ 0.185 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │  0.025 │  0.018 │  0.014 │  0.02  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.349 │ 0.368 │ 0.541 │ 0.373 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0.012 │  0.015 │  0.028 │  0.019 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.583 │ 0.592 │ 0.609 │ 0.565 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.025 │  0.031 │  0.02  │  0.023 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.288 │ 0.267 │ 0.276 │ 0.299 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.044 │  0.039 │  0.043 │  0.029 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.203 │ 0.164 │ 0.17  │ 0.264 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.023 │  0.011 │  0.011 │  0.028 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.161 │ 0.101 │ 0.098 │ 0.167 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.036 │ -0.005 │  0.003 │  0.03  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.154 │ 0.17  │ 0.251 │ 0.193 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │  0.016 │  0.02  │  0.039 │  0.026 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.154 │ 0.313 │ 0.231 │ 0.254 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │  0.031 │  0.049 │  0.036 │  0.018 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.294 │ 0.323 │ 0.414 │ 0.504 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │  0.013 │  0.024 │  0.001 │  0.031 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.62  │ 0.634 │ 0.68  │ 0.59  │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.018 │  0.024 │  0.009 │  0.021 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.249 │ 0.154 │ 0.168 │ 0.175 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.057 │  0.042 │  0.037 │  0.036 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0.005 │ 0.048 │ 0.056 │ 0.046 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │  0.011 │  0.038 │  0.03  │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.107 │ 0.089 │ 0.156 │ 0.171 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │  0.017 │  0.029 │  0.03  │  0.043 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.212 │ 0.113 │ 0.148 │ 0.162 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │  0.061 │  0.04  │  0.054 │  0.028 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.498 │ 0.534 │ 0.771 │ 0.498 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.02  │  0.011 │  0.001 │ -0.016 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.217 │ 0.114 │ 0.129 │ 0.147 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.072 │  0.074 │  0.065 │  0.049 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0.001 │ 0     │ 0.007 │ 0.001 │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.041 │  0.057 │  0.051 │  0.015 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.01  │ 0.001 │ 0.016 │ 0.008 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │  0.038 │  0.018 │  0.013 │  0.04  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.158 │ 0.069 │ 0.138 │ 0.066 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │  0.093 │  0.091 │  0.112 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.6   │ 0.616 │ 0.884 │ 0.528 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │ -0.012 │  0.007 │ -0.006 │  0.016 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0.2   │ 0.116 │ 0.131 │ 0.131 │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.08  │  0.135 │  0.123 │  0.123 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0.029 │ 0.058 │ 0.008 │ 0.03  │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.129 │  0.143 │  0.1   │  0.105 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0.009 │ 0.014 │ 0.001 │ 0.008 │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.118 │  0.095 │  0.06  │  0.077 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.002 │ 0.028 │ 0.028 │ 0.014 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.077 │  0.211 │  0.212 │  0.146 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.097 │ 0.146 │ 0.301 │ 0.152 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │  0.225 │  0.337 │  0.186 │  0.253 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.071 │ 0.397 │ 0.191 │ 0.164 │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.332 │  0.34  │  0.386 │  0.33  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0683

정책:
| 00      ^ | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      v |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      v | 28      < |           | 30      > | 31      v |
| 32      ^ | 33      ^ | 34      < |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      ^ | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      ^ | 51      ^ |           | 53      > |           | 55      > |
| 56      < | 57      ^ | 58      v |           | 60      > | 61      > | 62      v |           |
Reaches goal 81.00%. Obtains an average return of 0.4145. Regret of 0.0444

Dyna-Q

Q_dqs, V_dqs, Q_track_dqs = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_dq, V_dq, pi_dq, Q_track_dq, pi_track_dq, T_track_dq, R_track_dq, planning_dq = dyna_q(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_dqs.append(Q_dq) ; V_dqs.append(V_dq) ; Q_track_dqs.append(Q_track_dq)
Q_dq, V_dq, Q_track_dq = np.mean(Q_dqs, axis=0), np.mean(V_dqs, axis=0), np.mean(Q_track_dqs, axis=0)
del Q_dqs ; del V_dqs ; del Q_track_dqs
print_state_value_function(V_dq, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Dyna-Q:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_dq - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_dq, optimal_V)))
print()
print_action_value_function(Q_dq, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Dyna-Q action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_dq, optimal_Q)))
print()
print_policy(pi_dq, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_dq, mean_return_dq, mean_regret_dq = get_policy_metrics(
    env, gamma=gamma, pi=pi_dq, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_dq, mean_return_dq, mean_regret_dq))
State-value function found by Dyna-Q:
| 00   0.41 | 01 0.4221 | 02 0.4414 | 03  0.462 | 04 0.4856 | 05 0.5085 | 06 0.5245 | 07 0.5297 |
| 08 0.4068 | 09 0.4164 | 10 0.4328 | 11 0.4536 | 12 0.4777 | 13 0.5048 | 14 0.5342 | 15 0.5457 |
| 16 0.3926 | 17 0.3905 | 18 0.3749 |           | 20  0.419 | 21 0.4876 | 22 0.5497 | 23 0.5729 |
| 24 0.3644 | 25 0.3516 | 26  0.311 | 27 0.2079 | 28 0.3035 |           | 30 0.5569 | 31 0.6136 |
| 32 0.3292 | 33 0.2942 | 34 0.2039 |           | 36 0.2907 | 37 0.3604 | 38 0.5213 | 39 0.6729 |
| 40 0.3028 |           |           | 43 0.0912 | 44 0.2171 | 45 0.2795 |           | 47 0.7556 |
| 48 0.2855 |           | 50  0.063 | 51 0.0517 |           | 53 0.2658 |           | 55 0.8627 |
| 56 0.2764 | 57 0.1989 | 58 0.1282 |           | 60  0.245 | 61 0.5248 | 62 0.7573 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00   -0.0 | 01  -0.01 | 02   -0.0 | 03  -0.01 | 04  -0.01 | 05  -0.01 | 06  -0.01 | 07  -0.01 |
| 08   -0.0 | 09   -0.0 | 10   -0.0 | 11   -0.0 | 12  -0.01 | 13  -0.01 | 14  -0.01 | 15  -0.01 |
| 16   -0.0 | 17   -0.0 | 18   -0.0 |           | 20   -0.0 | 21  -0.01 | 22  -0.01 | 23  -0.01 |
| 24   -0.0 | 25   -0.0 | 26    0.0 | 27   0.01 | 28    0.0 |           | 30  -0.01 | 31  -0.01 |
| 32   -0.0 | 33    0.0 | 34   0.01 |           | 36    0.0 | 37   -0.0 | 38  -0.01 | 39  -0.02 |
| 40   -0.0 |           |           | 43    0.0 | 44    0.0 | 45   0.01 |           | 47  -0.02 |
| 48   -0.0 |           | 50   0.01 | 51    0.0 |           | 53   0.02 |           | 55  -0.02 |
| 56   -0.0 | 57   -0.0 | 58    0.0 |           | 60   0.01 | 61   0.04 | 62   0.02 |           |
State-value function RMSE: 0.009

Dyna-Q action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.405 │ 0.409 │ 0.409 │ 0.41  │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.005 │  0.005 │  0.005 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.412 │ 0.419 │ 0.422 │ 0.421 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.005 │  0.004 │  0.005 │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.428 │ 0.434 │ 0.441 │ 0.438 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.005 │  0.006 │  0.005 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.448 │ 0.455 │ 0.462 │ 0.459 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.005 │  0.006 │  0.007 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.471 │ 0.478 │ 0.486 │ 0.481 │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.006 │  0.006 │  0.007 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.496 │ 0.502 │ 0.508 │ 0.501 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.007 │  0.007 │  0.008 │  0.009 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.518 │ 0.519 │ 0.525 │ 0.517 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.01  │  0.01  │  0.011 │  0.009 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.529 │ 0.528 │ 0.529 │ 0.523 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.01  │  0.011 │  0.012 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.399 │ 0.4   │ 0.403 │ 0.407 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.005 │  0.005 │  0.004 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.403 │ 0.406 │ 0.41  │ 0.416 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.003 │  0.004 │  0.005 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.407 │ 0.411 │ 0.418 │ 0.433 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.003 │  0.003 │  0.004 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.287 │ 0.302 │ 0.31  │ 0.454 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.012 │  0.002 │  0.004 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.448 │ 0.458 │ 0.465 │ 0.478 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.005 │  0.002 │  0.006 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.485 │ 0.495 │ 0.505 │ 0.503 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.007 │  0.008 │  0.009 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.522 │ 0.531 │ 0.534 │ 0.521 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.009 │  0.008 │  0.012 │  0.009 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.54  │ 0.545 │ 0.545 │ 0.532 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.012 │  0.012 │  0.011 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.384 │ 0.378 │ 0.384 │ 0.393 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.005 │  0.005 │  0.004 │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.382 │ 0.369 │ 0.378 │ 0.39  │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.005 │  0.002 │  0.002 │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.375 │ 0.228 │ 0.248 │ 0.278 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.001 │  0.003 │ -0.003 │ -0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.268 │ 0.262 │ 0.419 │ 0.312 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │ -0.01  │  0     │  0.003 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.307 │ 0.315 │ 0.358 │ 0.488 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.002 │  0.009 │ -0.003 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.522 │ 0.534 │ 0.55  │ 0.528 │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.008 │  0.01  │  0.012 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.566 │ 0.572 │ 0.572 │ 0.552 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.01  │  0.014 │  0.012 │  0.011 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.359 │ 0.345 │ 0.356 │ 0.364 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.004 │  0.004 │  0.001 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.347 │ 0.32  │ 0.328 │ 0.351 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.001 │ -0     │ -0     │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.305 │ 0.248 │ 0.26  │ 0.305 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0     │ -0     │ -0.005 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.095 │ 0.199 │ 0.099 │ 0.208 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.007 │  0.002 │  0.001 │ -0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.303 │ 0.16  │ 0.239 │ 0.207 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │ -0.003 │  0.002 │ -0.004 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.362 │ 0.375 │ 0.557 │ 0.388 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0     │  0.009 │  0.012 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.599 │ 0.612 │ 0.612 │ 0.579 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.01  │  0.011 │  0.016 │  0.009 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.328 │ 0.306 │ 0.317 │ 0.326 │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.005 │  0.001 │  0.002 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.225 │ 0.168 │ 0.18  │ 0.294 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.002 │  0.007 │  0.001 │ -0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.196 │ 0.092 │ 0.099 │ 0.196 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.002 │  0.005 │  0.002 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.174 │ 0.191 │ 0.291 │ 0.213 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │ -0.004 │ -0.001 │ -0.001 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.196 │ 0.36  │ 0.256 │ 0.273 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │ -0.01  │  0.002 │  0.01  │ -0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.308 │ 0.325 │ 0.403 │ 0.521 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │ -0.001 │  0.022 │  0.012 │  0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.624 │ 0.64  │ 0.673 │ 0.604 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.015 │  0.019 │  0.017 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.303 │ 0.207 │ 0.202 │ 0.212 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.003 │ -0.01  │  0.003 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0.02  │ 0.082 │ 0.09  │ 0.069 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │ -0.004 │  0.004 │ -0.003 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.133 │ 0.13  │ 0.177 │ 0.217 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │ -0.009 │ -0.012 │  0.009 │ -0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.28  │ 0.156 │ 0.213 │ 0.204 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │ -0.007 │ -0.003 │ -0.011 │ -0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.51  │ 0.531 │ 0.756 │ 0.472 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.008 │  0.014 │  0.016 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.285 │ 0.196 │ 0.186 │ 0.197 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.003 │ -0.008 │  0.008 │ -0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0.038 │ 0.051 │ 0.06  │ 0.016 │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.004 │  0.006 │ -0.002 │ -0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.049 │ 0.023 │ 0.029 │ 0.05  │ 0.048 │ 0.019 │ 0.028 │ 0.048 │ -0.001 │ -0.004 │ -0.001 │ -0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.26  │ 0.213 │ 0.258 │ 0.078 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │ -0.009 │ -0.052 │ -0.007 │  0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.588 │ 0.626 │ 0.863 │ 0.547 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │ -0     │ -0.003 │  0.015 │ -0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0.276 │ 0.246 │ 0.255 │ 0.251 │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.004 │  0.005 │ -0     │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0.149 │ 0.199 │ 0.106 │ 0.127 │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.01  │  0.002 │  0.002 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0.124 │ 0.103 │ 0.056 │ 0.09  │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.004 │  0.005 │  0.005 │ -0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.068 │ 0.216 │ 0.213 │ 0.186 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.011 │  0.023 │  0.027 │ -0.025 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.34  │ 0.503 │ 0.515 │ 0.422 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │ -0.018 │ -0.02  │ -0.028 │ -0.017 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.401 │ 0.757 │ 0.497 │ 0.49  │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.003 │ -0.02  │  0.08  │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0096

정책:
| 00      ^ | 01      ^ | 02      > | 03      > | 04      > | 05      > | 06      > | 07      < |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      ^ | 28      < |           | 30      > | 31      v |
| 32      < | 33      ^ | 34      < |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      > | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      v | 51      < |           | 53      < |           | 55      > |
| 56      < | 57      v | 58      v |           | 60      v | 61      v | 62      v |           |
Reaches goal 77.00%. Obtains an average return of 0.3837. Regret of 0.0511

경로 샘플링

Q_tss, V_tss, Q_track_tss = [], [], []
for seed in tqdm(SEEDS, desc='All seeds', leave=True):
    random.seed(seed); np.random.seed(seed) ; env.seed(seed)
    Q_ts, V_ts, pi_ts, Q_track_ts, pi_track_ts, T_track_ts, R_track_ts, planning_ts = trajectory_sampling(
        env, gamma=gamma, n_episodes=n_episodes)
    Q_tss.append(Q_ts) ; V_tss.append(V_ts) ; Q_track_tss.append(Q_track_ts)
Q_ts, V_ts, Q_track_ts = np.mean(Q_tss, axis=0), np.mean(V_tss, axis=0), np.mean(Q_track_tss, axis=0)
del Q_tss ; del V_tss ; del Q_track_tss
print_state_value_function(V_ts, P, n_cols=n_cols, 
                           prec=svf_prec, title='State-value function found by Trajectory Sampling:')
print_state_value_function(optimal_V, P, n_cols=n_cols, 
                           prec=svf_prec, title='Optimal state-value function:')
print_state_value_function(V_ts - optimal_V, P, n_cols=n_cols, 
                           prec=err_prec, title='State-value function errors:')
print('State-value function RMSE: {}'.format(rmse(V_ts, optimal_V)))
print()
print_action_value_function(Q_ts, 
                            optimal_Q, 
                            action_symbols=action_symbols, 
                            prec=avf_prec, 
                            title='Trajectory Sampling action-value function:')
print('Action-value function RMSE: {}'.format(rmse(Q_ts, optimal_Q)))
print()
print_policy(pi_ts, P, action_symbols=action_symbols, n_cols=n_cols)
success_rate_ts, mean_return_ts, mean_regret_ts = get_policy_metrics(
    env, gamma=gamma, pi=pi_ts, goal_state=goal_state, optimal_Q=optimal_Q)
print('Reaches goal {:.2f}%. Obtains an average return of {:.4f}. Regret of {:.4f}'.format(
    success_rate_ts, mean_return_ts, mean_regret_ts))
State-value function found by Trajectory Sampling:
| 00 0.4086 | 01 0.4223 | 02 0.4415 | 03 0.4633 | 04 0.4881 | 05 0.5137 | 06 0.5315 | 07 0.5364 |
| 08  0.406 | 09 0.4152 | 10  0.432 | 11 0.4539 | 12 0.4792 | 13 0.5106 | 14  0.542 | 15 0.5522 |
| 16 0.3938 | 17 0.3907 | 18 0.3746 |           | 20 0.4216 | 21 0.4925 | 22 0.5553 | 23 0.5811 |
| 24 0.3668 | 25 0.3534 | 26 0.3077 | 27 0.1988 | 28 0.2935 |           | 30  0.564 | 31 0.6245 |
| 32 0.3268 | 33 0.2918 | 34 0.1974 |           | 36 0.2699 | 37 0.3413 | 38 0.5286 | 39 0.6887 |
| 40 0.3005 |           |           | 43 0.0695 | 44  0.192 | 45 0.2442 |           | 47  0.775 |
| 48  0.283 |           | 50 0.0351 | 51 0.0344 |           | 53 0.1925 |           | 55 0.8773 |
| 56 0.2748 | 57  0.181 | 58 0.0862 |           | 60 0.1042 | 61 0.3408 | 62 0.5623 |           |
Optimal state-value function:
| 00 0.4146 | 01 0.4272 | 02 0.4461 | 03 0.4683 | 04 0.4924 | 05 0.5166 | 06 0.5353 | 07  0.541 |
| 08 0.4117 | 09 0.4212 | 10 0.4375 | 11 0.4584 | 12 0.4832 | 13 0.5135 | 14 0.5458 | 15 0.5574 |
| 16 0.3968 | 17 0.3938 | 18 0.3755 |           | 20 0.4217 | 21 0.4938 | 22 0.5612 | 23 0.5859 |
| 24 0.3693 | 25  0.353 | 26 0.3065 | 27 0.2004 | 28 0.3008 |           | 30  0.569 | 31 0.6283 |
| 32 0.3327 | 33 0.2914 | 34 0.1973 |           | 36 0.2893 | 37  0.362 | 38 0.5348 | 39 0.6897 |
| 40 0.3061 |           |           | 43 0.0863 | 44 0.2139 | 45 0.2727 |           | 47  0.772 |
| 48 0.2889 |           | 50 0.0577 | 51 0.0475 |           | 53 0.2505 |           | 55 0.8778 |
| 56 0.2804 | 57 0.2008 | 58 0.1273 |           | 60 0.2396 | 61 0.4864 | 62 0.7371 |           |
State-value function errors:
| 00  -0.01 | 01   -0.0 | 02   -0.0 | 03   -0.0 | 04   -0.0 | 05   -0.0 | 06   -0.0 | 07   -0.0 |
| 08  -0.01 | 09  -0.01 | 10  -0.01 | 11   -0.0 | 12   -0.0 | 13   -0.0 | 14   -0.0 | 15  -0.01 |
| 16   -0.0 | 17   -0.0 | 18   -0.0 |           | 20   -0.0 | 21   -0.0 | 22  -0.01 | 23   -0.0 |
| 24   -0.0 | 25    0.0 | 26    0.0 | 27   -0.0 | 28  -0.01 |           | 30   -0.0 | 31   -0.0 |
| 32  -0.01 | 33    0.0 | 34    0.0 |           | 36  -0.02 | 37  -0.02 | 38  -0.01 | 39   -0.0 |
| 40  -0.01 |           |           | 43  -0.02 | 44  -0.02 | 45  -0.03 |           | 47    0.0 |
| 48  -0.01 |           | 50  -0.02 | 51  -0.01 |           | 53  -0.06 |           | 55   -0.0 |
| 56  -0.01 | 57  -0.02 | 58  -0.04 |           | 60  -0.14 | 61  -0.15 | 62  -0.17 |           |
State-value function RMSE: 0.0352

Trajectory Sampling action-value function:
╒═════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤═══════╤════════╤════════╤════════╤════════╕
│   s │     < │     v │     > │     ^ │   * < │   * v │   * > │   * ^ │   er < │   er v │   er > │   er ^ │
╞═════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪═══════╪════════╪════════╪════════╪════════╡
│   0 │ 0.405 │ 0.407 │ 0.407 │ 0.408 │ 0.41  │ 0.414 │ 0.414 │ 0.415 │  0.004 │  0.007 │  0.006 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   1 │ 0.413 │ 0.417 │ 0.422 │ 0.418 │ 0.417 │ 0.423 │ 0.427 │ 0.425 │  0.004 │  0.006 │  0.005 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   2 │ 0.429 │ 0.434 │ 0.441 │ 0.436 │ 0.433 │ 0.44  │ 0.446 │ 0.443 │  0.003 │  0.006 │  0.005 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   3 │ 0.449 │ 0.456 │ 0.463 │ 0.457 │ 0.453 │ 0.461 │ 0.468 │ 0.464 │  0.004 │  0.005 │  0.005 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   4 │ 0.473 │ 0.48  │ 0.488 │ 0.48  │ 0.477 │ 0.484 │ 0.492 │ 0.488 │  0.004 │  0.005 │  0.004 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   5 │ 0.498 │ 0.502 │ 0.514 │ 0.502 │ 0.502 │ 0.509 │ 0.517 │ 0.51  │  0.004 │  0.007 │  0.003 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   6 │ 0.519 │ 0.521 │ 0.532 │ 0.518 │ 0.527 │ 0.529 │ 0.535 │ 0.526 │  0.008 │  0.009 │  0.004 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   7 │ 0.526 │ 0.527 │ 0.536 │ 0.525 │ 0.539 │ 0.539 │ 0.541 │ 0.534 │  0.013 │  0.012 │  0.005 │  0.008 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   8 │ 0.4   │ 0.402 │ 0.402 │ 0.406 │ 0.404 │ 0.406 │ 0.407 │ 0.412 │  0.004 │  0.004 │  0.004 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│   9 │ 0.404 │ 0.407 │ 0.41  │ 0.415 │ 0.407 │ 0.41  │ 0.415 │ 0.421 │  0.003 │  0.003 │  0.005 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  10 │ 0.408 │ 0.412 │ 0.421 │ 0.432 │ 0.41  │ 0.414 │ 0.422 │ 0.437 │  0.003 │  0.002 │  0.001 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  11 │ 0.294 │ 0.295 │ 0.317 │ 0.454 │ 0.299 │ 0.304 │ 0.314 │ 0.458 │  0.005 │  0.009 │ -0.003 │  0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  12 │ 0.45  │ 0.455 │ 0.465 │ 0.479 │ 0.453 │ 0.46  │ 0.471 │ 0.483 │  0.003 │  0.004 │  0.006 │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  13 │ 0.489 │ 0.497 │ 0.511 │ 0.499 │ 0.493 │ 0.503 │ 0.514 │ 0.51  │  0.004 │  0.006 │  0.003 │  0.011 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  14 │ 0.526 │ 0.529 │ 0.542 │ 0.524 │ 0.531 │ 0.539 │ 0.546 │ 0.53  │  0.005 │  0.009 │  0.004 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  15 │ 0.541 │ 0.552 │ 0.542 │ 0.537 │ 0.552 │ 0.557 │ 0.556 │ 0.543 │  0.011 │  0.005 │  0.014 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  16 │ 0.385 │ 0.38  │ 0.384 │ 0.394 │ 0.389 │ 0.383 │ 0.388 │ 0.397 │  0.003 │  0.003 │  0.004 │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  17 │ 0.382 │ 0.37  │ 0.378 │ 0.391 │ 0.386 │ 0.371 │ 0.379 │ 0.394 │  0.004 │  0.002 │  0.002 │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  18 │ 0.375 │ 0.228 │ 0.241 │ 0.287 │ 0.375 │ 0.231 │ 0.246 │ 0.274 │  0.001 │  0.003 │  0.004 │ -0.012 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  19 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  20 │ 0.249 │ 0.255 │ 0.422 │ 0.337 │ 0.259 │ 0.262 │ 0.422 │ 0.322 │  0.009 │  0.007 │  0     │ -0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  21 │ 0.301 │ 0.315 │ 0.356 │ 0.492 │ 0.309 │ 0.324 │ 0.355 │ 0.494 │  0.007 │  0.009 │ -0.001 │  0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  22 │ 0.527 │ 0.538 │ 0.555 │ 0.53  │ 0.531 │ 0.544 │ 0.561 │ 0.536 │  0.004 │  0.006 │  0.006 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  23 │ 0.566 │ 0.579 │ 0.569 │ 0.557 │ 0.576 │ 0.586 │ 0.585 │ 0.562 │  0.01  │  0.007 │  0.016 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  24 │ 0.354 │ 0.343 │ 0.351 │ 0.367 │ 0.363 │ 0.348 │ 0.357 │ 0.369 │  0.009 │  0.005 │  0.006 │  0.002 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  25 │ 0.339 │ 0.314 │ 0.323 │ 0.353 │ 0.348 │ 0.319 │ 0.327 │ 0.353 │  0.009 │  0.005 │  0.005 │ -0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  26 │ 0.294 │ 0.246 │ 0.252 │ 0.302 │ 0.306 │ 0.248 │ 0.255 │ 0.307 │  0.011 │  0.001 │  0.004 │  0.004 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  27 │ 0.096 │ 0.173 │ 0.105 │ 0.191 │ 0.101 │ 0.2   │ 0.099 │ 0.2   │  0.005 │  0.027 │ -0.006 │  0.01  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  28 │ 0.293 │ 0.149 │ 0.224 │ 0.198 │ 0.301 │ 0.162 │ 0.235 │ 0.205 │  0.007 │  0.012 │  0.011 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  29 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  30 │ 0.356 │ 0.391 │ 0.564 │ 0.382 │ 0.362 │ 0.384 │ 0.569 │ 0.393 │  0.006 │ -0.007 │  0.005 │  0.011 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  31 │ 0.597 │ 0.604 │ 0.624 │ 0.582 │ 0.609 │ 0.623 │ 0.628 │ 0.588 │  0.012 │  0.019 │  0.005 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  32 │ 0.319 │ 0.298 │ 0.308 │ 0.32  │ 0.333 │ 0.307 │ 0.319 │ 0.328 │  0.014 │  0.009 │  0.011 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  33 │ 0.21  │ 0.167 │ 0.159 │ 0.292 │ 0.226 │ 0.175 │ 0.182 │ 0.291 │  0.016 │  0.008 │  0.023 │ -0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  34 │ 0.173 │ 0.112 │ 0.102 │ 0.184 │ 0.197 │ 0.096 │ 0.101 │ 0.197 │  0.025 │ -0.016 │ -0.001 │  0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  35 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  36 │ 0.165 │ 0.174 │ 0.27  │ 0.208 │ 0.17  │ 0.19  │ 0.289 │ 0.219 │  0.005 │  0.016 │  0.019 │  0.011 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  37 │ 0.169 │ 0.341 │ 0.257 │ 0.269 │ 0.185 │ 0.362 │ 0.266 │ 0.272 │  0.016 │  0.021 │  0.01  │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  38 │ 0.31  │ 0.346 │ 0.419 │ 0.529 │ 0.307 │ 0.347 │ 0.415 │ 0.535 │ -0.002 │  0.001 │ -0.004 │  0.006 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  39 │ 0.636 │ 0.654 │ 0.689 │ 0.608 │ 0.639 │ 0.659 │ 0.69  │ 0.611 │  0.003 │  0.004 │  0.001 │  0.003 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  40 │ 0.3   │ 0.186 │ 0.199 │ 0.203 │ 0.306 │ 0.196 │ 0.205 │ 0.211 │  0.006 │  0.011 │  0.006 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  41 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  42 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  43 │ 0.01  │ 0.062 │ 0.06  │ 0.047 │ 0.016 │ 0.086 │ 0.086 │ 0.071 │  0.006 │  0.024 │  0.026 │  0.024 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  44 │ 0.113 │ 0.103 │ 0.158 │ 0.192 │ 0.124 │ 0.118 │ 0.185 │ 0.214 │  0.011 │  0.015 │  0.027 │  0.022 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  45 │ 0.244 │ 0.123 │ 0.175 │ 0.176 │ 0.273 │ 0.153 │ 0.202 │ 0.19  │  0.028 │  0.03  │  0.027 │  0.014 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  46 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  47 │ 0.499 │ 0.556 │ 0.775 │ 0.475 │ 0.517 │ 0.544 │ 0.772 │ 0.482 │  0.018 │ -0.012 │ -0.003 │  0.007 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  48 │ 0.283 │ 0.167 │ 0.188 │ 0.201 │ 0.289 │ 0.188 │ 0.194 │ 0.196 │  0.006 │  0.021 │  0.005 │ -0.005 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  49 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  50 │ 0.018 │ 0.01  │ 0.027 │ 0.003 │ 0.042 │ 0.058 │ 0.058 │ 0.016 │  0.024 │  0.048 │  0.031 │  0.013 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  51 │ 0.021 │ 0.007 │ 0.016 │ 0.029 │ 0.048 │ 0.019 │ 0.028 │ 0.048 │  0.026 │  0.012 │  0.012 │  0.019 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  52 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  53 │ 0.173 │ 0.093 │ 0.165 │ 0.075 │ 0.251 │ 0.161 │ 0.251 │ 0.09  │  0.077 │  0.068 │  0.086 │  0.015 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  54 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  55 │ 0.587 │ 0.658 │ 0.877 │ 0.543 │ 0.588 │ 0.623 │ 0.878 │ 0.544 │  0.001 │ -0.035 │  0     │  0.001 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  56 │ 0.275 │ 0.231 │ 0.23  │ 0.237 │ 0.28  │ 0.251 │ 0.254 │ 0.254 │  0.006 │  0.02  │  0.024 │  0.017 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  57 │ 0.125 │ 0.163 │ 0.076 │ 0.074 │ 0.159 │ 0.201 │ 0.108 │ 0.135 │  0.034 │  0.037 │  0.032 │  0.06  │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  58 │ 0.072 │ 0.05  │ 0.02  │ 0.032 │ 0.127 │ 0.108 │ 0.061 │ 0.085 │  0.056 │  0.058 │  0.041 │  0.054 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  59 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  60 │ 0.003 │ 0.065 │ 0.056 │ 0.024 │ 0.079 │ 0.24  │ 0.24  │ 0.161 │  0.076 │  0.175 │  0.184 │  0.136 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  61 │ 0.164 │ 0.198 │ 0.318 │ 0.216 │ 0.322 │ 0.483 │ 0.486 │ 0.405 │  0.158 │  0.285 │  0.168 │  0.189 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  62 │ 0.109 │ 0.499 │ 0.19  │ 0.23  │ 0.404 │ 0.737 │ 0.577 │ 0.494 │  0.295 │  0.238 │  0.386 │  0.264 │
├─────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼───────┼────────┼────────┼────────┼────────┤
│  63 │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │ 0     │  0     │  0     │  0     │  0     │
╘═════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧═══════╧════════╧════════╧════════╧════════╛
Action-value function RMSE: 0.0517

정책:
| 00      v | 01      > | 02      > | 03      > | 04      > | 05      > | 06      > | 07      > |
| 08      ^ | 09      ^ | 10      ^ | 11      ^ | 12      ^ | 13      > | 14      > | 15      v |
| 16      ^ | 17      ^ | 18      < |           | 20      > | 21      ^ | 22      > | 23      v |
| 24      ^ | 25      ^ | 26      ^ | 27      ^ | 28      < |           | 30      > | 31      v |
| 32      ^ | 33      ^ | 34      < |           | 36      > | 37      v | 38      ^ | 39      > |
| 40      < |           |           | 43      > | 44      ^ | 45      < |           | 47      > |
| 48      < |           | 50      > | 51      ^ |           | 53      < |           | 55      > |
| 56      < | 57      < | 58      v |           | 60      v | 61      < | 62      v |           |
Reaches goal 79.00%. Obtains an average return of 0.4173. Regret of 0.0514

각 에피소드별 max(Q) 비교

SARSA($\lambda$) 대체

plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rsl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rsl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

SARSA($\lambda$) 누적

plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_asl, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Sarsa(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_asl, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 대체

plot_value_function(
    'Q(λ) replacing estimates through time vs. true values', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) replacing estimates through time vs. true values (log scale)', 
    np.max(Q_track_rqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) replacing estimates through time (close up)', 
    np.max(Q_track_rqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Q($\lambda$) 누적

plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V,
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Q(λ) accumulating estimates through time vs. true values (log scale)', 
    np.max(Q_track_aqll, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Q(λ) accumulating estimates through time (close up)', 
    np.max(Q_track_aqll, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

Dyna-Q

plot_value_function(
    'Dyna-Q estimates through time vs. true values', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Dyna-Q estimates through time vs. true values (log scale)', 
    np.max(Q_track_dq, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Dyna-Q estimates through time (close up)', 
    np.max(Q_track_dq, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

경로 샘플링

plot_value_function(
    'Trajectory Sampling estimates through time vs. true values', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=False)
plot_value_function(
    'Trajectory Sampling estimates through time vs. true values (log scale)', 
    np.max(Q_track_ts, axis=2), 
    optimal_V, 
    limit_items=limit_items,
    limit_value=limit_value,
    log=True)
plot_value_function(
    'Trajectory Sampling estimates through time (close up)', 
    np.max(Q_track_ts, axis=2)[:cu_episodes], 
    None,
    limit_items=cu_limit_items,
    limit_value=cu_limit_value,
    log=False)

정책 평가 비교

rsl_success_rate_ma, rsl_mean_return_ma, rsl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rsl, coverage=0.05)
asl_success_rate_ma, asl_mean_return_ma, asl_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_asl, coverage=0.05)
rqll_success_rate_ma, rqll_mean_return_ma, rqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_rqll, coverage=0.05)
aqll_success_rate_ma, aqll_mean_return_ma, aqll_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_aqll, coverage=0.05)
dq_success_rate_ma, dq_mean_return_ma, dq_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_dq, coverage=0.05)
ts_success_rate_ma, ts_mean_return_ma, ts_mean_regret_ma = get_metrics_from_tracks(
    env, gamma, goal_state, optimal_Q, pi_track_ts, coverage=0.05)
plt.axhline(y=success_rate_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_success_rate_ma)*1.02), success_rate_op*1.01, 'π*')

plt.plot(rsl_success_rate_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_success_rate_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_success_rate_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.legend(loc=4, ncol=1)

plt.title('Policy success rate (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Success rate %')
plt.ylim(-1, 101)
plt.xticks(rotation=45)


plt.show()
plt.axhline(y=success_rate_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_success_rate_ma)*1.02), success_rate_op*1.01, 'π*')

plt.plot(aqll_success_rate_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_success_rate_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_success_rate_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy success rate (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Success rate %')
plt.ylim(-1, 101)
plt.xticks(rotation=45)


plt.show()
plt.axhline(y=mean_return_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_mean_return_ma)*1.02), mean_return_op*1.01, 'π*')

plt.plot(rsl_mean_return_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_return_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_return_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.legend(loc=4, ncol=1)

plt.title('Policy episode return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Return (Gt:T)')

plt.xticks(rotation=45)

plt.show()
plt.axhline(y=mean_return_op, color='k', linestyle='-', linewidth=1)
plt.text(int(len(rsl_mean_return_ma)*1.02), mean_return_op*1.01, 'π*')

plt.plot(aqll_mean_return_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_return_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_return_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Policy episode return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Return (Gt:T)')

plt.xticks(rotation=45)

plt.show()
plt.plot(rsl_mean_regret_ma, '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(asl_mean_regret_ma, '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(rqll_mean_regret_ma, ':', linewidth=2, label='Q(λ) replacing')
plt.legend(loc=1, ncol=1)

plt.title('Policy episode regret (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Regret (q* - Q)')
plt.xticks(rotation=45)

plt.show()
plt.plot(aqll_mean_regret_ma, '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(dq_mean_regret_ma, '-', linewidth=2, label='Dyna-Q')
plt.plot(ts_mean_regret_ma, '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Policy episode regret (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Regret (q* - Q)')
plt.xticks(rotation=45)

plt.show()
plt.axhline(y=optimal_V[init_state], color='k', linestyle='-', linewidth=1)
plt.text(int(len(Q_track_rsl)*1.05), optimal_V[init_state]+.01, 'v*({})'.format(init_state))

plt.plot(moving_average(np.max(Q_track_rsl, axis=2).T[init_state]), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.max(Q_track_asl, axis=2).T[init_state]), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_rqll, axis=2).T[init_state]), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.max(Q_track_aqll, axis=2).T[init_state]), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.max(Q_track_dq, axis=2).T[init_state]), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.max(Q_track_ts, axis=2).T[init_state]), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=4, ncol=1)

plt.title('Estimated expected return (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Estimated value of initial state V({})'.format(init_state))
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rsl, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_asl, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_rqll, axis=2) - optimal_V), axis=1)), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_aqll, axis=2) - optimal_V), axis=1)), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_dq, axis=2) - optimal_V), axis=1)), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(np.max(Q_track_ts, axis=2) - optimal_V), axis=1)), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('State-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(V, v*)')
plt.xticks(rotation=45)

plt.show()
plt.plot(moving_average(np.mean(np.abs(Q_track_rsl - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Sarsa(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_asl - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Sarsa(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_rqll - optimal_Q), axis=(1,2))), 
         ':', linewidth=2, label='Q(λ) replacing')
plt.plot(moving_average(np.mean(np.abs(Q_track_aqll - optimal_Q), axis=(1,2))), 
         '-.', linewidth=2, label='Q(λ) accumulating')
plt.plot(moving_average(np.mean(np.abs(Q_track_dq - optimal_Q), axis=(1,2))), 
         '-', linewidth=2, label='Dyna-Q')
plt.plot(moving_average(np.mean(np.abs(Q_track_ts - optimal_Q), axis=(1,2))), 
         '--', linewidth=2, label='Trajectory Sampling')
plt.legend(loc=1, ncol=1)

plt.title('Action-value function estimation error (ma 100)')
plt.xlabel('Episodes')
plt.ylabel('Mean Absolute Error MAE(Q, q*)')
plt.xticks(rotation=45)

plt.show()