我正在研究一个有四个状态和十个动作的 MDP。我应该推导出达到期望状态的最优策略。在任何状态下，特定的操作都可以将您带到任何其他状态。例如。如果我们从状态 S1 开始 -> 在 S1 上执行操作 A1 可以将您带到 S2 或 S3 或 S4 或者只是停留在相同的状态 S1。其他动作也是如此。

我的问题是 - 单个动作 A 是否必须只有一个奖励值？或者如果状态 s1 上的动作 a1 带你到 s2 是否有可能给予 10 的奖励，如果状态 s1 上的动作 a1 带你到 s3，给予 50 的奖励，如果状态 s1 上的动作 a1 带你，给予 100 的奖励s4 是最终状态，或者如果该动作导致状态不变，则给予零奖励。

我可以这样做吗？？

因为在我的情况下，每个状态都比以前的状态好。即S2优于S1，S3优于S2，以此类推。因此，如果 S1 上的一个动作直接将你带到 S4，这是最终状态，我想给它最大的奖励。