上述的算法将返回从初始状态到目标状态的状态序列。
为了理解Q-学习算法是怎样工作的，我们通过分析少量的例子进行分析。
我们设置学习率Gamma等于0.8，初始的状态是房间1。...现在，矩阵Q变为：
下一个状态1变成了当前状态，我们重复Q学习算法中的内部循环过程，因为状态1不是目标状态。...R=[-inf,-inf,-inf,-inf, 0, -inf;
-inf,-inf,-inf, 0,-inf, 100;
-inf,-inf,-inf...-inf, 0,-inf,-inf, 0, 100];
gamma=0.80; % learning parameter
q=zeros(size(R)...(R,1)把矩阵R的行数返回给a,b=size(R,2)把矩阵R的列数返回给b
state=y(1); %取1到6的随机数的第一个数
% select
