暴雪在API测试中的应用
强化学习例子
问题：1 a，c，d，f。这里的d->f 是怎么计算的，我计算的是0.2*[4+ 0.8*（-1） - 0.6]
是这值 还要加上原 Q（S,A） = 0.56+ 0.6= 1.16=1.2 （图2 DF为什么是1.2）
2 关于结果相加
不是两个动作相加
而是Q（s，a）相加
是这值 还要加上原 Q（S,A） = 0.56+ 0.6= 1.16=1.2
FAQ：
1、a-b 是第一轮更新 是什么机制触发第二轮 a-c更新的呢？
epsilon导致的，0.8表示：80%的几率选择当前最优action，20%的几率选择其它action
第二轮走到了 a-c只是凑巧 选中了那20%吗
是的，很有可能第二轮是走不到a-c的，但是在后面的迭代里面，还是会走到a-c
2、初始Q边其实全部设置为0.1 也是可以的是吗
可以。q表，是可以预置值的 就像昨晚课程中， 设置0，-1。但是不好的地方是有人工先设置了，就是先了解了那个图告知了 机器一些“经验”。 为的是收敛更快。 一般可以都设置为0.1 ，就不需要人工提供经验了，让他自己学习。