AM Por Reforço
O modelo do ambiente é o coração do aprendizado por reforço. Ele define como o mundo reage às ações do agente. Primeiramente, a função de transição prevê o próximo estado. Em segundo lugar, a função de recompensa avalia o resultado imediato. Sem esse modelo, o agente age no escuro. Por conseguinte, modelar o ambiente é essencial para planejamento eficiente.
A transição descreve a dinâmica do ambiente. Ela é denotada por \( p(s’, r | s, a) \). Essa fórmula lê-se “probabilidade de ir para s’ com recompensa r”. Frequentemente, usamos a forma determinística \( s’ = T(s, a) \). Ambientes reais, contudo, são estocásticos. Por exemplo, um robô pode escorregar. A transição é aprendida ou fornecida antecipadamente. Esse conhecimento é usado para simular o futuro.
A função de transição é uma distribuição de probabilidade. Portanto, a soma sobre todos os s’ e r é igual a 1. Matematicamente: \( \sum_{s’} \sum_{r} p(s’, r | s, a) = 1 \). Essa propriedade é conservada em ambientes bem definidos. Modelos tabulares armazenam essas probabilidades. Modelos neurais, por outro lado, as aproximam continuamente.
A recompensa é um escalar que guia o comportamento. Ela pode ser determinística ou estocástica. A recompensa esperada é calculada como \( r(s,a) = \mathbb{E}[R | s,a] = \sum_r r \sum_{s’} p(s’, r | s, a) \). Em problemas simples, a recompensa é dada diretamente. Por exemplo, +1 por vencer e 0 por perder. Projetar uma boa recompensa é uma arte. Recompensas mal definidas causam comportamentos indesejados.
Hiperparâmetros importantes incluem o fator de desconto γ. Ele pondera recompensas futuras. Um modelo também tem parâmetros de confiança. Ambientes simulados usam um horizonte de planejamento. Modelos aprendidos têm uma taxa de atualização α. A arquitetura comum é uma rede neural. Ela recebe estado e ação como entrada. Suas saídas são o próximo estado e a recompensa.
Imagine uma grade 4×4 com um tesouro escondido. O agente começa no canto superior esquerdo. O tesouro está no canto inferior direito. Cada movimento custa -0.1 (recompensa negativa). Encontrar o tesouro dá +10. Paredes bloqueiam algumas células (transição inválida). O ambiente é determinístico: a ação sempre funciona. O objetivo é aprender o caminho ótimo. O código abaixo modela explicitamente transição e recompensa.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 |
import numpy as np import matplotlib.pyplot as plt # ============================================ # MODELO DO AMBIENTE: transição e recompensa # ============================================ class ModeloAmbiente: """Mundo 4x4 com transições e recompensas definidas""" def __init__(self): # Grid 4x4: 0=caminho, 1=parede, 2=tesouro self.grid = np.array([ [0, 0, 0, 0], [0, 1, 0, 0], # parede na posição (1,1) [0, 1, 0, 0], # parede na posição (2,1) [0, 0, 2, 0] ]) self.n_estados = 16 self.n_acoes = 4 # 0=cima, 1=baixo, 2=esq, 3=dir self.inicio = 0 self.tesouro = 14 # posição (3,2) def transicao(self, estado, acao): """Retorna (próximo_estado, recompensa, terminou)""" linha = estado // 4 coluna = estado % 4 # Calcula movimento if acao == 0: # cima nova_linha = max(0, linha - 1) nova_coluna = coluna elif acao == 1: # baixo nova_linha = min(3, linha + 1) nova_coluna = coluna elif acao == 2: # esquerda nova_linha = linha nova_coluna = max(0, coluna - 1) else: # direita nova_linha = linha nova_coluna = min(3, coluna + 1) # Verifica parede if self.grid[nova_linha, nova_coluna] == 1: return estado, -0.5, False # bateu na parede novo_estado = nova_linha * 4 + nova_coluna # Verifica tesouro if self.grid[nova_linha, nova_coluna] == 2: return novo_estado, 10.0, True # Movimento normal return novo_estado, -0.1, False def todas_transicoes(self): """Pré-computa todas as transições (útil para planejamento)""" T = np.zeros((self.n_estados, self.n_acoes, self.n_estados)) R = np.zeros((self.n_estados, self.n_acoes)) for s in range(self.n_estados): for a in range(self.n_acoes): s_next, r, done = self.transicao(s, a) T[s, a, s_next] = 1.0 # determinístico R[s, a] = r return T, R # ============================================ # PLANEJADOR USANDO O MODELO (Iteração de Valor) # ============================================ def iteracao_valor(modelo, gamma=0.95, theta=1e-6, max_iter=1000): """Encontra a política ótima usando o modelo do ambiente""" V = np.zeros(modelo.n_estados) politica = np.zeros(modelo.n_estados, dtype=int) print("Iteração de Valor - Planejando com o modelo...") for i in range(max_iter): delta = 0 V_antigo = V.copy() for s in range(modelo.n_estados): if s == modelo.tesouro: continue # Calcula valor para cada ação valores_acoes = [] for a in range(modelo.n_acoes): s_next, r, _ = modelo.transicao(s, a) valor = r + gamma * V_antigo[s_next] valores_acoes.append(valor) V[s] = max(valores_acoes) delta = max(delta, abs(V[s] - V_antigo[s])) if delta < theta: print(f"Convergência após {i+1} iterações") break # Extrai política ótima for s in range(modelo.n_estados): if s == modelo.tesouro: politica[s] = -1 continue valores = [] for a in range(modelo.n_acoes): s_next, r, _ = modelo.transicao(s, a) valores.append(r + gamma * V[s_next]) politica[s] = np.argmax(valores) return V, politica # ============================================ # SIMULAÇÃO USANDO O MODELO # ============================================ print("=" * 60) print("MODELO DO AMBIENTE: Transição e Recompensa") print("=" * 60) # Cria o modelo modelo = ModeloAmbiente() print("\n📊 Modelo do mundo 4x4 criado!") print(" - Estados: 16 (grid 4x4)") print(" - Ações: 4 (cima, baixo, esq, dir)") print(" - Recompensas: -0.1 por passo, -0.5 por parede, +10 pelo tesouro") # Mostra o mapa print("\n🗺️ MAPA DO AMBIENTE:") print(" Col0 Col1 Col2 Col3") for i in range(4): linha = f"Lin{i}: " for j in range(4): if modelo.grid[i, j] == 1: linha += " ██ " elif modelo.grid[i, j] == 2: linha += " 💰 " else: linha += " ·· " print(linha) print("Legenda: ·· = caminho | ██ = parede | 💰 = tesouro (+10)") # Planejamento com o modelo print("\n" + "=" * 60) print("PLANEJAMENTO USANDO O MODELO") print("=" * 60) V_otimo, politica_otima = iteracao_valor(modelo) # Mostra a função valor print("\n📈 Função Valor V*(s) para cada estado:") for i in range(4): linha = "" for j in range(4): s = i * 4 + j if modelo.grid[i, j] == 1: linha += " ██ " elif s == modelo.tesouro: linha += " 💰💰 " else: linha += f" {V_otimo[s]:5.1f} " print(linha) # Mostra a política ótima print("\n🎯 Política Ótima (melhor ação em cada estado):") setas = ['↑', '↓', '←', '→'] for i in range(4): linha = "" for j in range(4): s = i * 4 + j if modelo.grid[i, j] == 1: linha += " ██ " elif s == modelo.tesouro: linha += " 💰 " else: linha += f" {setas[politica_otima[s]]} " print(linha) # ============================================ # SIMULAÇÃO DE UMA TRAJETÓRIA # ============================================ print("\n" + "=" * 60) print("SIMULAÇÃO DE UMA TRAJETÓRIA") print("=" * 60) estado = modelo.inicio trajetoria = [estado] recompensa_total = 0 passos = 0 print(f"\nIniciando no estado {estado} (posição 0,0)") while estado != modelo.tesouro and passos < 20: acao = politica_otima[estado] linha_atual = estado // 4 coluna_atual = estado % 4 prox_estado, recompensa, terminou = modelo.transicao(estado, acao) print(f"Passo {passos+1}: pos({linha_atual},{coluna_atual}) → {setas[acao]} → {prox_estado//4},{prox_estado%4} | recompensa: {recompensa:.1f}") trajetoria.append(prox_estado) recompensa_total += recompensa estado = prox_estado passos += 1 if terminou: print(f"\n🎉 TESOURO ENCONTRADO! Recompensa total: {recompensa_total:.1f}") break # ============================================ # GRÁFICOS # ============================================ print("\n" + "=" * 60) print("GERANDO GRÁFICOS") print("=" * 60) plt.figure(figsize=(14, 5)) # Gráfico 1: Função Valor como mapa de calor plt.subplot(1, 2, 1) V_mapa = V_otimo.reshape(4, 4) # Mascara para paredes mask = modelo.grid == 1 V_mapa_masked = np.ma.masked_where(mask, V_mapa) im = plt.imshow(V_mapa_masked, cmap='viridis', interpolation='nearest') plt.colorbar(im, label='Valor V*(s)') for i in range(4): for j in range(4): if modelo.grid[i, j] == 1: plt.text(j, i, '█', ha='center', va='center', fontsize=20, color='black') elif i*4+j == modelo.tesouro: plt.text(j, i, '💰', ha='center', va='center', fontsize=16) else: plt.text(j, i, f'{V_mapa[i, j]:.1f}', ha='center', va='center', fontsize=9, color='white' if V_mapa[i, j] > 5 else 'black') plt.title('Função Valor V*(s) - Mapa de Calor\n(quanto mais amarelo, mais valioso)') plt.xlabel('Coluna') plt.ylabel('Linha') # Gráfico 2: Política ótima visual plt.subplot(1, 2, 2) for i in range(4): for j in range(4): s = i * 4 + j if modelo.grid[i, j] == 1: plt.text(j, i, '██', ha='center', va='center', fontsize=20, color='gray') elif s == modelo.tesouro: plt.text(j, i, '💰', ha='center', va='center', fontsize=24) else: acao = politica_otima[s] plt.text(j, i, setas[acao], ha='center', va='center', fontsize=28) plt.xlim(-0.5, 3.5) plt.ylim(3.5, -0.5) plt.title('Política Ótima Derivada do Modelo\n(setas indicam o melhor movimento)') plt.xlabel('Coluna') plt.ylabel('Linha') plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # ============================================ # EXPLICAÇÃO DOS CONCEITOS # ============================================ print("\n" + "=" * 60) print("ENTENDENDO O MODELO DO AMBIENTE") print("=" * 60) print(""" ✅ O QUE FOI DEMONSTRADO: 1. FUNÇÃO DE TRANSIÇÃO T(s,a): - Define para onde o agente vai após cada ação - No exemplo: movimento determinístico (não há escorregamento) - Paredes bloqueiam a transição (agente permanece no lugar) 2. FUNÇÃO DE RECOMPENSA R(s,a): - Cada movimento custa -0.1 (incentiva caminho curto) - Bater na parede custa -0.5 (desincentiva) - Encontrar o tesouro dá +10 (objetivo principal) 3. USO DO MODELO PARA PLANEJAMENTO: - Iteração de Valor usa o modelo para calcular V*(s) - A política ótima é extraída das funções valor - Não é necessário interagir com o ambiente real 📊 FÓRMULAS MATEMÁTICAS UTILIZADAS: • Equação de Bellman para V*: [latex] V^*(s) = \max_a \sum_{s',r} p(s',r|s,a) [r + \gamma V^*(s')] [/latex] • No nosso caso determinístico, simplifica para: [latex] V^*(s) = \max_a [R(s,a) + \gamma V^*(T(s,a))] [/latex] • Iteração de Valor atualiza iterativamente: [latex] V_{k+1}(s) = \max_a [R(s,a) + \gamma V_k(T(s,a))] [/latex] 🎯 PRINCIPAIS HIPERPARÂMETROS: • γ (gamma) = 0.95 - Fator de desconto (95% de importância para futuro) • θ (theta) = 1e-6 - Critério de convergência • max_iter = 1000 - Limite de iterações DIFERENÇA ENTRE MODELO E APRENDIZADO POR REFORÇO: • MODELO-BASE (demonstrado): Ambiente é conhecido. O agente PLANEJA sem interagir. Usa equações de Bellman. • LIVRE-MODELO (Q-learning): Ambiente é desconhecido. O agente APRENDE por tentativa e erro. """) print("\n" + "=" * 60) print("CONCLUSÃO") print("=" * 60) print(""" O modelo do ambiente (transição + recompensa) é uma representação matemática do mundo. Ele permite que o agente planeje o futuro sem executar ações reais. Isso é útil em robótica, jogos e controle de processos. Quando o modelo é conhecido, métodos como Iteração de Valor encontram a política ótima de forma eficiente e garantida. """) print("✅ PROGRAMA CONCLUÍDO!") |
