You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-09-03T18:37:58+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "tw"
}
-->
# 一個更真實的世界
在我們的情境中，彼得幾乎可以毫不疲倦或飢餓地四處移動。在一個更真實的世界裡，他需要不時地坐下來休息，還需要進食。我們來讓這個世界更貼近現實，通過實現以下規則：
1. 每次從一個地方移動到另一個地方，彼得會損失一些**能量**並增加一些**疲勞**。
2. 彼得可以通過吃蘋果來獲得更多能量。
3. 彼得可以通過在樹下或草地上休息來消除疲勞（例如，走到有樹或草地的棋盤位置——綠色區域）。
4. 彼得需要找到並擊敗狼。
5. 為了擊敗狼，彼得需要達到一定的能量和疲勞水平，否則他會輸掉戰鬥。
## 指導說明
使用原始的 [notebook.ipynb ](notebook.ipynb ) 筆記本作為解決方案的起點。
根據遊戲規則修改上述的獎勵函數，運行強化學習算法以學習贏得遊戲的最佳策略，並將隨機漫步的結果與你的算法進行比較，從而分析贏得和輸掉的遊戲數量。
> **Note**: 在你的新世界中，狀態會更加複雜，除了人類的位置，還包括疲勞和能量水平。你可以選擇將狀態表示為一個元組 (Board, energy, fatigue)，或者為狀態定義一個類（你也可以考慮從 `Board` 繼承），甚至修改原始的 `Board` 類（位於 [rlboard.py](../../../../8-Reinforcement/1-QLearning/rlboard.py) 中）。
在你的解決方案中，請保留負責隨機漫步策略的代碼，並在最後將你的算法結果與隨機漫步進行比較。
> **Note**: 你可能需要調整超參數以使其正常運行，特別是訓練的迭代次數。由於遊戲的成功（例如擊敗狼）是一個罕見事件，你可以預期訓練時間會更長。
## 評分標準
| 評分標準 | 優秀 | 合格 | 需要改進 |
| -------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------- |
| | 筆記本展示了新世界規則的定義、Q-Learning 算法以及一些文字說明。Q-Learning 能夠顯著改善與隨機漫步相比的結果。 | 筆記本展示了 Q-Learning 的實現，並且結果相比隨機漫步有所改善，但不顯著；或者筆記本文檔不完整，代碼結構不佳。 | 嘗試重新定義世界規則，但 Q-Learning 算法無法正常運行，或者獎勵函數未完全定義。 |
---
** 免責聲明**：
本文件已使用 AI 翻譯服務 [Co-op Translator ](https://github.com/Azure/co-op-translator ) 進行翻譯。儘管我們致力於提供準確的翻譯，請注意自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而產生的任何誤解或錯誤解釋不承擔責任。
