假设我有n个状态S = {s1，s2，s3，..... sn}并且我有每个转换的分数，即T矩阵f.e。 s1-> s5 = 0.3，s4-> s3 = 0.7，......等。
我应该使用什么算法或程序来选择从state-x（s_x）开始的最佳得分序列/路径。
两个问题：
我目前正在研究强化学习，但这似乎有些过分，因为我既没有行动，也没有政策。也许我可以使用像Value函数这样的东西，dunno。
你会用什么？
PS＆gt;在某些情况下，T矩阵可能会随着时间而改变。
http://mnemstudio.org/path-finding-q-learning-tutorial.htm
似乎Q-learning是一个不错的选择。我看到的唯一区别是，如果我随着时间的推移存储Q值，我必须想办法改变T矩阵。
第二个更难的是没有最终目标，而只是改变中间人得分。可能我不需要改变算法，它只会转向改变分数，我认为这是可以的。
我最初的想法是每次执行L步骤的最佳路径（即每次从头开始重新计算Q），但如果可以的话，我宁愿根据传入的数据保留更改的Q表。
答案 0 :(得分：2)
您的选项1将被称为贪心方法。这通常是指立即选择最佳＆＃34;选项。问题在于，贪婪的选择现在可以限制您将来的最佳选择。
如果你没有设定路径长度的限制，那么很明显最高分数是无限的。
所以现在的问题是：给定路径长度的最佳序列是什么？这可以通过动态编程等多项式时间来解决。
一个递归公式（你可以用来计算动态编程部分）会说：要从状态x开始计算出长度为L的最佳路径，请查看所有其他状态年。对于这些中的每一个，从状态y＆＃34;开始计算T_xy +＆＃34;长度为L-1的最佳路径。
显然，从某个状态x开始，长度为1的最佳路径将是＆＃34;下一个最佳状态＆＃34;，因此您的递归具有简单的基本情况。