this repo has no description
Continue rapport
+4
-4
+4
-4
rapport/context.typ
+4
-4
rapport/context.typ
···
35
35
36
36
Une première approche naïve, mais suffisante dans certains cas, consiste à faire une recherche exhaustive et à stocker dans un simple tableau la meilleure action à faire en fonction d'un état de l'environnement:
37
37
38
-
#let exhaustive_memory_table = filled => pad(x: 15%, figure(
38
+
#let exhaustive_memory_table = (caption, filled: false) => pad(x: 15%, figure(
39
39
table(
40
40
columns: (1fr, 1fr),
41
41
align: left,
···
47
47
[ $(2, "C'est moins")$ ], if filled { [ $x <- 1$ ] } else { [] },
48
48
[ $(2, "C'est plus")$ ], if filled { [ aucune ] } else { [] }
49
49
),
50
-
caption: [ Exemple d'agent à mémoire exhaustive pour un "C'est plus ou c'est moins" avec $x in { 0, 1, 2 }$ ]
50
+
caption: caption
51
51
))
52
52
53
-
#exhaustive_memory_table(filled: false)
53
+
#exhaustive_memory_table(filled: false)[ Exemple d'agent à mémoire exhaustive pour un "C'est plus ou c'est moins" avec $x in { 0, 1, 2 }$ ]
54
54
55
55
L'entraînement consiste donc ici en l'exploration de l'entièreté des états possibles de l'environnement, et, pour chaque état, le calcul du coût associé à chaque action possible. On remplit la colonne "Action à effectuer" avec l'action associée au coût le plus bas.
56
56
57
-
#exhaustive_memory_table(filled: true)
57
+
#exhaustive_memory_table(filled: true)[ Entraînement terminé ]
58
58
59
59
Ici, cette approche exhaustive suffit parce que l'ensemble des états possibles de l'environnement, $E$, posssède 6 éléments:
60
60
rapport/main.pdf
rapport/main.pdf
This is a binary file and will not be displayed.