学习笔记(06):决胜AI-强化学习实战系列视频课程-QLearning迭代计算实例

立即学习:https://edu.csdn.net/course/play/4916/88702?utm_source=blogtoedu

Q-learning迭代计算实例

 

 

Rs_a表示即时奖励

 

1， 设计奖惩矩阵

从一个状态开始，直到它达到终止状态，称为1个episode.

 

实例计算：

 

 

因为最开始Q初始化的都是0，

所以一开始, 对于下一个动作的奖励计算时，使用的是max{0,0,0}