参考:https://www.cnblogs.com/dragonir/p/6224313.html
其实这样的学习方法还是挺误导人的,初学者又要看reward矩阵,又要看value-based的Q-table矩阵,就很容易混,不如直接看 百度parl自带的教程,不错!
前述:
训练的越多,Q矩阵被优化得越好!
例子:
第一次episode:
想象中:当agent处于状态5,只能去(5,1) (5,4) (5,5)
Q矩阵更新为:
第二次episode:
3能去 (3,1) (3,2) (3,4) 随机地,我们选择(3,1)
想象中:agent处于1状态,能去(1,3) (1,5)
此时,Q矩阵刷新为:
然后
更多次episode