Q 学习算法如何助 AI 破解迷宫难题

到达终点 G：奖励 + 100（强力正向驱动），正常移动一格：奖励 - 1（抑制迂回，迫使走捷径），撞墙或越界停留：奖励 - 5（严厉惩罚无效尝试）

三、核心机制：Q 学习结合贝尔曼时序差分方程

通俗解释：AI 每行进一步，将「即时回报 + 未来最大预期收益」汇总，与自身过往经验对比，若存在偏差则更新记忆矩阵；终点 100 分的高额奖励，会沿路径逆向逐步传导至前方所有网格

1. 标准迭代算式

此处时序差分至关重要，犹如水流自高处倾泻，流得越远水量越稀薄（比喻：G 点的 100 分奖励不断向其他网格扩散）。

左侧字符 = 对应网格状态，红色 = 高收益最优动作，蓝色 = 负惩罚动作

起点：E(4) | 终点：G(6)

奖励设定：抵达 G = +100，常规移动 = -1，撞墙 = -5

超参数设定：α = 0.1，γ = 0.9，ε = 0.1

两条等长最短路线：

1. E → I → J → F → B → C → G

2. E → I → J → K → L → H → G