我为一个董事会设置了一个简单的MDP,它有4个可能的状态和4个可能的操作。董事会和奖励设置如下所示:
这里S4
是目标状态,S2
是吸收状态。我已经在代码中定义了转移概率矩阵和奖励矩阵,以获得这个MDP的最优值函数。但是当我运行代码时,我得到一个错误,它说:OverflowError: cannot convert float infinity to integer
。我不明白这是为什么。在
import mdptoolbox
import numpy as np
transitions = np.array([
# action 1 (Right)
[
[0.1, 0.7, 0.1, 0.1],
[0.3, 0.3, 0.3, 0.1],
[0.1, 0.2, 0.2, 0.5],
[0.1, 0.1, 0.1, 0.7]
],
# action 2 (Down)
[
[0.1, 0.4, 0.4, 0.1],
[0.3, 0.3, 0.3, 0.1],
[0.4, 0.1, 0.4, 0.1],
[0.1, 0.1, 0.1, 0.7]
],
# action 3 (Left)
[
[0.4, 0.3, 0.2, 0.1],
[0.2, 0.2, 0.4, 0.2],
[0.5, 0.1, 0.3, 0.1],
[0.1, 0.1, 0.1, 0.7]
],
# action 4 (Top)
[
[0.1, 0.4, 0.4, 0.1],
[0.3, 0.3, 0.3, 0.1],
[0.4, 0.1, 0.4, 0.1],
[0.1, 0.1, 0.1, 0.7]
]
])
rewards = np.array([
[-1, -100, -1, 1],
[-1, -100, -1, 1],
[-1, -100, -1, 1],
[1, 1, 1, 1]
])
vi = mdptoolbox.mdp.ValueIteration(transitions, rewards, discount=0.5)
vi.setVerbose()
vi.run()
print("Value function:")
print(vi.V)
print("Policy function")
print(vi.policy)
如果我将discount
的值从0.5
更改为1
,它可以正常工作。值迭代不能使用折扣值0.5
或任何其他十进制值,原因可能是什么?在
更新:我的奖励矩阵似乎有问题。我写不出我想写的那样。因为如果我改变奖励矩阵中的一些值,错误就会消失。
所以结果是我定义的奖励矩阵是不正确的。根据上图中定义的奖励矩阵,它应该是}开始的状态,每一列对应于从}的操作。新的奖励矩阵如下所示:
(S,A)
类型,如documentation所示,其中每一行对应于从S1
到{A1
到{用这个很好。但我仍然不确定,是什么原因导致了溢出错误。在
相关问题 更多 >
编程相关推荐