可以给出q-learning 算法实现的代码吗

当然可以！以下是 Python 代码实现 q-learning 算法：

import numpy as np

# 定义环境，这里使用一个简单的迷宫
env = np.array([[-1, -1, -1, -1, 0, -1],
                [-1, -1, -1, 0, -1, 100],
                [-1, -1, -1, 0, -1, -1],
                [-1, 0, 0, -1, 0, -1],
                [0, -1, -1, 0, -1, 100],
                [-1, 0, -1, -1, 0, 100]])

# 定义 Q 表格
Q = np.zeros((6, 6))

# 超参数设定
alpha = 0.8  # 学习率
gamma = 0.95  # 折扣因子
epsilon = 0.1  # 探索率
num_episodes = 1000  # 模拟次数

# Q-learning 算法实现
for i in range(num_episodes):
    state = np.random.randint(0, 6)  # 随机初始化状态
    while state != 5:  # 当状态不是终止状态时循环
        if np.random.rand() < epsilon:  # 探索
            action = np.random.randint(0, 6)
        else:  # 开始利用
            action = np.argmax(Q[state, :])
        next_state = action
        reward = env[state, action]
        Q[state, action] += alpha * (reward + gamma * np.max(Q[next_state, :]) - Q[state, action])
        state = next_state

# 打印最终 Q 表格
print(Q)

这里使用一个简单的迷宫环境作为示例，Q 表格的初始化为全零。在每次模拟中，随机选取一个状态作为起始状态，然后根据 Q 表格和探索率选择动作，更新 Q 表格。最终得到的 Q 表格就是学习到的策略。