我認為本文是學習率為1的q-learning。為什麼這麼講呢？
根據q-learning演算法：
程式設計師們有些什麼好玩兒的程式分享？ - 嶽大禹的回答
看到這道題題主希望用簡單的例子介紹q-learning，於是就想通過小鳥的例子，介紹一下q-learning的過程。
提到q-learning，我們需要先了解q的含義。
例如： 那麼這個q是怎麼訓練得來的呢，貼一段偽**。
repeat (for each episode): //每一次遊戲，從小鳥出生到死亡是乙個episode
initialize s //小鳥剛開始飛，s為初始位置的狀態
repeat (for each step of episode):
根據當前q和位置s，使用一種策略，得到動作a //這個策略可以是ε-greedy等
做了動作a，小鳥到達新的位置s'，並獲得獎勵r //獎勵可以是1，50或者-1000
q(s,a) ← (1-α)*q(s,a) + α*[r + γ*maxq(s',a)] //在q中更新s
s ← s'
until s is terminal //即到小鳥死亡為止
1.「根據當前q和位置s，使用一種策略，得到動作a，這個策略可以是ε-greedy等。」
這裡便是題主所疑惑的問題，如何在探索與經驗之間平衡？假如我們的小鳥在訓練過程中，每次都採取當前狀態效用值最大的動作，那會不會有更好的選擇一直沒有被探索到？小鳥一直會被桎梏在以往的經驗之中。而假若小鳥在這裡每次隨機選取乙個動作，會不會因為探索了太多無用的狀態而導致收斂緩慢？
以此也可以看出，q-learning並非每次迭代都沿當前q值最高的路徑前進。
根據上面的偽**，就可以寫出q-learning的**了。
再看房間探索的乙個例子，我認為這個是學習率為1 ：
具體**實現：
強化學習 強化學習基礎
為了應對車載網路中通訊環境快速變化的難題，可以使用強化學習進行解決，這裡對強化學習的基礎進行整理。主要的應用場景為車載網路中資源分配問題。本文源自莫煩python 強化學習章節，有需要請查閱原文 20200413補充了一些內容，來自這篇部落格，是李巨集毅的深度強化學習的筆記。強化學習的主要構成有 a...
強化學習 1 1 0 強化學習介紹
abstract 本文介紹reinforcement learning的具體特點和與其他機器學習演算法不同之處，本文是乙個骨架性的文章，所有專有名詞都保持英文原始單詞，具體內容會在後續中給出詳細解答。keywords reinforcement learning，situation，action，e...
強化學習之Q learning
三要素 狀態 state 動作 action 獎賞 reward 更具具體情況自行進行給定。q更新公式 q是什麼？動作效用函式 action utility function 用於評價在某一狀態下採取某個動作的優劣。如果q訓練好了，之後 時就可以按照q進行選擇動作。詳解q更新函式 是學習速率 是折扣...