Machine learning 强化学习迷你高尔夫游戏

我正在尝试使用强化学习算法来玩一个简单的迷你高尔夫游戏

• 我想给游戏引擎提供输入（角度和力）
• 获得球的最终位置
• 根据最终职位计算奖励
• 迭代过程直到成功

---

我想我可以通过使用贪婪方法或函数近似来实现这一点。我想知道这是否可行，并想找到一个类似的例子。

在文献中，强化学习是最接近人工通用智能的东西，所以是的，你可以将它应用到这个迷你高尔夫游戏中

以下是布局：

说明：球在场地上的位置（x、y、z）

动作：角度、力

奖励：球离洞的距离

根据你的领域有多大，这个问题应该很容易解决

我想我可以通过使用贪婪方法或函数近似来实现这一点

你肯定会想至少使用一种电子贪婪的方法来促进早期情节中的探索

为了简化这个问题，我首先考虑一个2D，或者甚至是1D的例子，这样你就可以熟悉算法了。 对于1D情况，您的状态将是球所在的位置。你的动作是施加在球上的力的大小。奖励可以根据你的球离球门柱有多远而定

---

如果您愿意，我可以为您编写此环境的代码。

欢迎使用SO；不幸的是，你的第一个问题（“这是否可能”）太宽泛了，而你的第二个问题（“找到类似的例子”）离题了，正如在中明确解释的那样，你可以使用-1作为奖励，每只蝙蝠一个，当你遇到洞时为零。这将最大限度地减少蝙蝠的数量。是的，由于这个问题是有限的，这肯定也有效。非常感谢您的回复。