我创建了一个环境，有一个微小的随机影响，没有任何障碍，一个代理可以四处移动，以找到从起点到目的地的方式。首先，我使用贪婪策略加载20000种方式作为样本来训练NN，然后我希望我的NN可以独立地创建从起点到目的地的方式。但不知何故，它从来没有工作过，NN无法到达目的地，无论我尝试了多少次。
我想这可能是奖励函数的问题，所以我使用了两个不同的奖励函数：
- r=-1（未到达）/r=100（到达）
- r=exp（-dis_now/dis_all）但还是不行，有没有人给予我一些宝贵的建议？我会在ofc的同时阅读更多的论文。非常感谢！
1条答案
按热度按时间n8ghc7c11#
好了，我找到了一个完美的奖励函数，实际上解决了我的问题，它是：r = 1/dis_现在这是一个简单但有效的函数，因为它在接近目的地时提供了强大的奖励，当到达目的地的设定半径时，代理会停止并结束该轮，所以我不需要担心奖励可能会太大。