我目前正在阅读 Sutton & Barto 的“强化学习”，我正在尝试自己编写一些方法。
策略迭代是我目前正在研究的一个。我正在尝试使用 OpenAI Gym 解决一个简单的问题，例如 CartPole 或连续山地车。
但是，对于策略迭代，我需要状态之间的转换矩阵和奖励矩阵。
这些是否可从您在 OpenAI Gym 中构建的“环境”中获得。
我正在使用 python 。
如果不是，我如何计算这些值，并使用环境？
最佳答案
不，OpenAI Gym 环境不会以该形式向您提供信息。为了收集这些信息，您需要通过抽样探索环境:即选择行动并接受观察和奖励。通过这些样本，您可以估算它们。
近似这些值的一种基本方法是使用 LSPI(最小二乘策略迭代)，据我所知，您也会在 Sutton 中找到更多相关信息。
关于python - 在 Open AI Gym 中实现策略迭代方法，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45437357/