DQN Grid World

DQN Grid World - Apprentissage par Renforcement Profond Ce projet implémente un algorithme de Deep Q-Network (DQN) pour résoudre un problème de pathfinding dans un environnement en grille. L'agent intelligent (carré bleu) apprend de manière autonome à naviguer depuis sa position de départ jusqu'à l'objectif (carré vert) tout en évitant les obstacles (carrés rouges). Fonctionnalités techniques : Réseau de neurones : Architecture à 2 couches cachées (24 neurones chacune) utilisant TensorFlow.js Algorithme DQN : Implémentation complète avec experience replay et target network Système de récompenses : Récompenses positives pour se rapprocher de l'objectif, pénalités pour les obstacles Exploration vs Exploitation : Stratégie epsilon-greedy pour équilibrer découverte et optimisation Sauvegarde/Chargement : Persistance du modèle entraîné dans le navigateur Interface interactive : Contrôle de la vitesse d'entraînement en temps réel L'agent améliore progressivement sa stratégie sur 200 épisodes, apprenant à trouver le chemin optimal vers l'objectif. Ce projet démontre les concepts fondamentaux de l'apprentissage par renforcement appliqués à la navigation autonome.