我正在使用 SARSA 和 Q-Learning 构建一个 RL 代理来测试其功能。

环境是一个 10x10 的网格，如果他达到目标，则奖励为 1，而他每走出网格一步，则获得 -1 的奖励。因此，它可以自由地移出，并且每次在网格之外迈出一步，它都会得到-1。

调整主要参数后

• 阿尔法值：0.25
• 折扣：0.99
• 剧集长度：50
• 每股收益：0.5

我得到以下 10000 集的情节（情节每 100 集采样一次）：

但是当我在网上查看情节时，我看到的情节通常是这样的：

由于我是 RL 的新人，如果你们中的任何人认为我做错了什么，我会就我的结果或任何类型的建议征求一些意见。