ブランコ強化学習

下りで押し、上りは惰性—Q表がこのリズムを学びます。

• 学習率 α: Q値を1回でどれだけ更新するか。大きいと速いが不安定になりやすい。
• 割引率 γ: 将来の報酬をどれだけ重視するか。1に近いほど遠い報酬も大きく反映。
• 探索 ε: ランダムに押す確率。高いと多く試し、低いと慣れたリズムに従います。