reinforcement-learning - 网格世界中的终端状态是什么？

Question

我正在学习马尔可夫决策过程。我不知道在哪里标记终端状态。

在 4x3 网格世界中，我用 T 标记了我认为正确（我可能是错的）的终端状态。 Pic

我看到一个指令标记终端状态如下。

terminals=[(3, 2), (3, 1)]

有人可以解释它是如何工作的吗？

Answer 1

在给定的网格世界中，您从 (0,0) 的“开始”开始。然后你从那个点开始。如果您到达“end +1”{(3,2)}，则奖励为 +1，游戏结束。同样，如果您到达“end -1”{(3,1)}，则奖励为 -1，游戏结束。然而，当你四处移动时，你不能移动到 {(1,1)} 作为它的无效状态。此外，如果您达到任何处于 {(2,0) 和 (2,1)} 的终端状态“T”，那么游戏将以零奖励结束。