问题描述
我制作了一个 RL 环境来模拟一个人在整个城市中移动。如果此人与感染疾病的人接触，则代理会收到负面奖励。目标是尽量去目的地，同时尽可能长时间不感染疾病。代理最多有 3 个目的地可供选择。
奖励函数的形式为： 奖励 = -1 * ((num_infected/threshold)^2) + 1. 其中阈值 == 4 对此的解释是当 num_infected > threshold 时，你得到一个负奖励 当 0
我使用 stablebaselines (https://stable-baselines.readthedocs.io/en/master/_modules/stable_baselines/ppo2/ppo2.html#PPO2.learn) 实现训练了一个 PPO2 代理 1200 步（每一步 == 一个决定去哪个目的地）。
我测试了我训练有素的代理，以及一个随机选择目的地的代理。 他们都表现相同；也就是说，它们在被感染之前存活的天数相同。
我观察到，即使是随机操作，代理也不太可能与受感染的个体接触。即感染很少。因此，即使在随机行动中，您也能获得高额回报；如果没有人被感染，您将获得积极的奖励。
我相信我的环境需要更艰苦；座席需要更频繁地与人接触。
我该怎么办？让环境更难？训练更长时间？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）