Исследованы четыре алгоритма: SAC, TD3, DDPG, PPO. Исследованы и проанализированы 2 различные среды: первая, из которых не дообучилась, а вторая обучилась. Первая среда демонстрирует
положительную динамику, но за счёт ограниченного числа вычислительных мощностей, довести обучение до конца не удалось. Результат обучения второй среды умеренный, она имеет меньшую вычислительную сложность за счёт меньшей размерности пространства наблюдений и действий. В итоге предлагается произвести более длительное обучение агентов во второй среде для достижения положительных результатов. Для агентов DDPG и TD3 первой среды предлагается уменьшить коэффициент скорости обучения и произвести дополнительные вычисления.

Исследованы четыре алгоритма: SAC, TD3, DDPG, PPO. Исследованы и проанализированы 2 различные среды: первая, из которых не дообучилась, а вторая обучилась. Первая среда демонстрирует положительную динамику, но за счёт ограниченного числа вычислительных мощностей, довести обучение до конца не удалось. Результат обучения второй среды умеренный, она имеет меньшую вычислительную сложность за счёт меньшей размерности пространства наблюдений и действий. В итоге предлагается произвести более длительное обучение агентов во второй среде для достижения положительных результатов. Для агентов DDPG и TD3 первой среды предлагается уменьшить коэффициент скорости обучения и произвести дополнительные вычисления.

movefasta (Migrated from gitlab.com) closed this issue

2023-07-14 15:51:57 +03:00