跟着杰哥学强化学习：q-learning的一些思考

1. 为什么上下左右移动
   当初始状态的时候，agent在左上角，每一个动作的价值都是0，由于排序是up,down,left,right，所以在取max值的时候优先会取到up，这个时候超出边框了，reward是负数，也就是q(s=‘(0,0)’, a=‘up’)是负数，复位后agent还是在(0,0)的位置，这个时候agent再选择最大值的时候就不会选择up了，因为up是负数了，同样，left也是负数，如果按照greedy的方式就选不到up和left。这个时候会发现agent优先往下，为啥不是往右呢？因为咱们的动作价值的排序是按照up,down,left,right来看的，up和left都是负数，down和right现在还都是0，所以选择max的时候就会选到down。
   当选择down的时候，agent的位置变成了(0,1)，这个位置之前也从来没有探索过，所以四个动作的价值都是0，按照greedy的方式会选择up，为啥呢？还是因为动作排序的方式是up,down,left,right，哭死了。如果选择了up，agnet就又回到了(0,0)也就是初始位置。之前分计算，(0,0)的up和left都是负数，所以只能选择down和right，如果按照greedy的方式，就会优先选择down，这个时候agent就会转移到(0,1)，所以就会发现一直再上下上线的波动，即使我们增加了e-greedy随机探索的方式，agent选择了right，移动过了(1,0)，下一步如果是greedy，依然会选择up，跳出边框后再次复位(0,0)。整体来看就是上下跳动，然后夹杂着左右移动。