Con robot không có bản đồ, cũng không ai bảo nước đi nào đúng, mỗi bước nó chỉ nhận một con số thưởng hoặc phạt. Từ đó bảng Q ghi giá trị từng cặp ô và hướng, cập nhật theo δ = r + γ·max Q(s′,·) − Q(s,a) với hệ số chiết khấu quanh 0,9, giá trị lan ngược dần từ ô đích ra khắp lưới. Khi ε giữ ở mức cao, robot lang thang khắp lưới, học chậm nhưng ít kẹt lối dở; ε thấp thì nó bám ngay đường đầu tiên tìm được. Trên lưới trơn trượt, khoảng một phần năm số bước lệch ngang ngoài ý muốn nên lối tối ưu là tránh sát mép bẫy.
▸ Dựng thế giới lưới (gridworld) & đặt đích / bẫy…
Học tăng cường: một tác tử hành động trong môi trường, nhận phần thưởng rồi điều chỉnh để tối đa hoá phần thưởng tích luỹ. Không ai dạy nước đi đúng — nó học bằng thử–sai qua nhiều tập. Đây là cách AI chơi cờ vây (AlphaGo) & game Atari.
—
Chọn "Kịch bản" để đổi môi trường (bẫy · trơn trượt · vách núi…) · 🔀 đổi lưới · ↺ học lại từ đầu · bấm cấu trúc/khái niệm để xem chi tiết · ô sáng = giá trị cao, mũi tên = nước đi tốt nhất.
Trình duyệt chưa bật canvas.
Phần thưởng & khám phá ε theo tậpphần thưởng (trơn)khám phá ε
Về Học tăng cường
Con robot không có bản đồ, cũng không ai bảo nước đi nào đúng, mỗi bước nó chỉ nhận một con số thưởng hoặc phạt. Từ đó bảng Q ghi giá trị từng cặp ô và hướng, cập nhật theo δ = r + γ·max Q(s′,·) − Q(s,a) với hệ số chiết khấu quanh 0,9, giá trị lan ngược dần từ ô đích ra khắp lưới. Khi ε giữ ở mức cao, robot lang thang khắp lưới, học chậm nhưng ít kẹt lối dở; ε thấp thì nó bám ngay đường đầu tiên tìm được. Trên lưới trơn trượt, khoảng một phần năm số bước lệch ngang ngoài ý muốn nên lối tối ưu là tránh sát mép bẫy.