我目前正在尝试使用 Q-learning 实现一个 AI 玩家来对抗 2 个不同的随机玩家。
我不确定 Q-learning 是否适用于 Ludo 游戏，所以我对此有点怀疑。
我为游戏定义了 11 个状态。每个状态都是根据其他玩家的位置来定义的。
我可能的行动是 6，（受骰子限制）。
从理论上讲，我可以有四种不同的状态（每个 Ludo 令牌一个）可以执行骰子选择的动作，但我只会选择移动具有最高 Q(s,a) 的令牌并执行动作..
我不明白的是，在更新阶段会发生什么。
我知道我用新值更新了以前的值？...
基于 wiki 的更新如下：
我不明白的是奖励值与旧值有何不同？它是如何定义的，矩阵中的这些值有什么不同？