理想情况下，我想使用使用深度强化学习方法的神经网络。但是，我不想从最初运行游戏（例如，运行1000次）中收集数据，然后使用该数据来填充神经网络（这将是有监督的学习？）。我宁愿使用深度强化学习方法（带有神经网络）。我研究了Q学习，它看起来很棒，并且可以完成所有工作。但是，Q学习的主要问题是蛇板上的苹果（食物）将始终在随机位置（不确定性）产卵，因此，如果我找到最佳策略（使用Q学习），它将无法正常工作当食物在其他位置重生时（需要重新学习该政策）。
此外，我在考虑理想情况下也不使用进化算法。是否有一种纯粹的“基本”方法（RL）来“教导”蛇毒代理，使其在靠近食品项目（例如使用反向传播）的情况下获得奖励，而无需收集大量的预赛然后馈入网络，也不使用Q学习或进化算法？看来我发现的所有资源都使用其中一种，这不是我想要的。
Architecture Idea. input_left=3, input_front=-1, input_right=-1
侧面说明：我能只按蛇的感知每个方向（左，右，前）输入列表吗？每个方向输入列表都包含例如：[0，5]，其中第一个数字是食物（1）或墙壁（0），第二个数字是到该对象的距离。如图所示，将输入此输入列表。我猜我也可以只依赖每个输入的单个int，如果有墙或本身，则为-1，如果是苹果，我就给苹果一个距离（蛇的前，左或右）
现在我的问题是：使用这种技术来遍历模型，Tensorflow是否能够做一些魔术来找到最佳功能（已经设置了TF模型）？就其获得的回报/反馈而言，神经网络是否有办法必须完成整个反向传播事情（例如：它距离苹果更近，因此获得的回报很小），但是减去迈出一步的微小代价）…所有这些功能都易于实现，但我想问题出在反向传播部分（我不太了解）。我了解该网络（如果获得了积极的回报）将向上调整发射的权重，而将其他权重保持原样（随机初始化？）……这是正确的吗，Tensorflow / Keras能够应对吗？
不确定这种体系结构是否有意义以及是否可以工作。
任何想法都值得赞赏！
