Python 你能训练比赛吗；蛇“；使用Q学习（而非深度Q学习）

我看到很多例子显示人们使用深度强化学习进行训练，但这是我还不知道的，我已经学习了监督训练方法，然后我开始学习Q Learning，认为也许它会变得更有效，我制作了一个简单的蛇游戏，效果很好，所有规则都得到了应用，添加奖励状态和操作，无论需要什么，并通过更新Q表进行Q循环，一切正常，工作正常（顺便说一句，除了Tkinter、math和random之外，没有使用其他库），除了一件事，机器无法真正学习很多东西，无论时间流逝多少，表都会更新，我确信这一点，但根据过去的经验，我想也许Q学习不适合这种游戏？我也从来没有见过有人使用Q学习制作游戏“蛇”，所以我就想到了

感谢每一条评论！：）

---

（顺便说一句，如果你认为我的代码有错误，你可以要求它/它的一部分，我会说，这真的没什么大不了的：p）

你有一个简单的表格，每个可能的状态和操作都有一个条目吗？我不知道如何实际实现，因为snake中的状态数与电路板大小成指数关系，所以即使是一个小电路板的表也不适合内存。是的。。。我只有一个简单的表格，它包含了每个动作的每个状态，仔细想想，机器没有学习到的所有动作都是有意义的，适合所有状态的所有动作（4）（BoardLength^2，我从一个小10x10板开始，有400个选项…）基本上是愚蠢的，而且效率很低。说到这里，我想问，Q学习到底有什么好处？我用它做了几件事，但我不太确定州的数量不是boardlength^2。它远不止这些，因为蛇可能很长，所以你需要跟踪每个可能的细胞是否都是蛇的一部分，从而导致2^（boardlength ^2）状态。如果你真的只有100个状态，那么用表进行q-学习可能会奏效。我很确定，如果我让蛇看下一步，每次它都会检查它移动的部位或边界是否足够……那么你给q-学习算法提供的唯一信息就是蛇头的位置？如果你不给它所有相关的信息，它就无法学到很多东西。