بتل کد Battle Codeدارد باز می‌شود…

جواب «One Update by Hand» چالش 1 از جلسه‌ی 60

سؤال

عامل سه بار پشت سر هم همان قدم را تجربه می‌کند: پاداش -1 و بهترین حدس خانه‌ی بعد 4.0. خط new = old را با قانون Q-learning عوض کن: new = old + lr * (r + gamma * best_next - old). خروجی باید سه خط باشد که حدس کم‌کم به 2.6 نزدیک می‌شود:
1.3
1.95
2.275

راهنما

هدف r + gamma * best_next است؛ فاصله‌ی old تا هدف را در lr ضرب کن و به old اضافه کن.

یک جواب درست

lr, gamma = 0.5, 0.9
r = -1
best_next = 4.0
old = 0.0
for repeat in range(3):
    new = old + lr * (r + gamma * best_next - old)
    print(round(new, 3))
    old = new

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن