我想了解Q-Learning，
我当前的算法操作如下：
1.维护一个查找表，该表将状态映射到有关每个可用操作的立即奖励和效用的信息。
2.在每种状态下，检查它是否包含在查找表中，如果没有，请对其进行初始化（默认实用程序为0）。
3.选择一个可能发生的动作：
(*ϵ* = 0>ϵ>1 - probability of taking a random action)
1-ϵ = Choosing the state-action pair with the highest utility.
ϵ = Choosing a random move.
ϵ decreases over time.
4.根据以下内容更新当前状态的实用程序：
Q(st, at) += a[rt+1, + d.max(Q(st+1, a)) - Q(st,at)]
我目前正在与一个简单的启发式玩家对战我的经纪人，后者总是会采取举动，以获得最佳的即时奖励。
结果-结果非常差，即使经过几百场比赛，Q-Learning代理商的损失也远不止于赢。此外，获胜率的变化几乎不存在，尤其是在达到几百场比赛之后。
我想念什么吗？我已经实施了几个代理：
（Rote-Learning，TD（0），TD（Lambda），Q-Learning）
但它们似乎都产生了相似的，令人失望的结果。
最佳答案
跳棋中大约有10²⁰不同的状态，并且每次更新都需要玩一个完整的游戏，因此，要以这种方式获得有意义的动作值将需要非常长的时间。通常，您希望使用简化的状态表示（例如神经网络）来通过强化学习来解决此类问题。
另外，有几点警告：
理想情况下，您应该为每个游戏更新1个值，因为单个游戏中的移动高度相关。
您应该将操作值初始化为较小的随机值，以避免由于较小的Q更新而导致较大的策略更改。
关于machine-learning - 这是Q-Learning for Checkers的正确实现吗？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36822951/