我遇到的问题是我从执行值迭代得到的结果，数字增加到无穷大，所以我假设我的逻辑中有一个问题 .
最初我有10x10网格，一些奖励为10，有些奖励为-100，有些奖励为0.没有终端状态 . 代理可以执行4个非确定性操作：向上，向下，向左和向右移动 . 它有80％的机会沿所选方向移动，并有20％的机会垂直移动 .
我的过程是循环以下：
- 对于每个图块，计算该图块中最佳动作的值
例如，计算从给定图块向北的值：
self.northVal = 0
self.northVal += (0.1 * grid[x-1][y])
self.northVal += (0.1 * grid[x+1][y])
self.northVal += (0.8 * grid[x][y+1])
-
对于每个图块，将其值更新为：初始奖励（0.5 *该图块的最佳移动值）
-
检查更新的网格是否自上次循环以来已更改，如果没有，则在数字已收敛时停止循环 .
我很感激任何指导！