强化学习：q-learning算法

参考：https://www.cnblogs.com/dragonir/p/6224313.html

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