On the other hand, other aspects of

On the other hand, other aspects of this reward assignment are not so obvious. For example, the specific ratios among the reward values for the different actions are non-intuitive. It is intriguing that, despite the fact that the objective function is straight performance, a PwDn-PwUp action sequence yields a slightly positive aggregate reward (-0.27+0.3), eventhough powering up a dormant rank incurs a penalty of 4-13 cycles. Note also that NoOp (which competes with PwUp when a rank is powered down) is assigned a definitely positive reward, even though keeping a rank powered down does not directly benefit performance. We will revisit this later.

ผลลัพธ์ (ไทย) 1:

บนมืออื่น ๆ , ด้านอื่น ๆ ของรางวัลที่ได้รับมอบหมายนี้จะไม่ชัดเจนดังนั้น ตัวอย่างเช่นอัตราส่วนเฉพาะในหมู่ผู้ที่ค่าตอบแทนสำหรับการดำเนินการที่แตกต่างกันจะไม่ใช้งานง่าย มันเป็นที่น่าสนใจว่าแม้จะมีความจริงที่ว่าฟังก์ชันวัตถุประสงค์คือประสิทธิภาพการทำงานตรงตามลำดับการกระทำ pwdn-pwup ผลตอบแทนรวมบวกเล็กน้อย (-0.27 0.3),แม้เปิดเครื่องขึ้นยศอยู่เฉยๆเกิดโทษจาก 4-13 รอบ ทราบว่ายัง Noop (ซึ่งแข่งขันกับ pwup เมื่อระดับพลังงานลง) จะได้รับมอบหมาย Defi ยรางวัลบวก nitely แม้ว่าการรักษาระดับพลังงานลงไม่ได้โดยตรง benefi ย T ประสิทธิภาพ เราจะทบทวนนี้ในภายหลัง.

ผลลัพธ์ (ไทย) 2:

บนมืออื่น ๆ ด้านอื่น ๆ การมอบรางวัลนี้ได้ไม่ชัดเจนดังนั้น ตัวอย่าง อัตราส่วนเฉพาะระหว่างค่าสะสมสำหรับการดำเนินการต่าง ๆ จะไม่ง่าย ก็น่าทำว่า ถึงแม้ว่าฟังก์ชันวัตถุประสงค์ประสิทธิภาพตรง ลำดับการดำเนินการ PwDn-PwUp ให้รางวัลรวมบวกเล็กน้อย (-0.27 0.3), ปล่อยผ่านพลังงานค่าลำดับไม่ก่อโทษของรอบ 4-13 โปรดสังเกตด้วยว่า NoOp (ที่แข่งขัน ด้วย PwUp เมื่อลำดับไฟ) กำหนดรางวัลบวก nitely defi แม้ว่าการรักษาลำดับไฟไม่ตรงประสิทธิภาพ t benefi เราจะบราว์นี่ในภายหลัง

ผลลัพธ์ (ไทย) 3:

อีกด้านหนึ่งที่ด้านอื่นๆของการกำหนดรางวัลนี้ไม่เห็นได้ชัดดังนั้น ตัวอย่างเช่นอัตราเฉพาะที่อยู่ท่ามกลางค่าเงินรางวัลสำหรับการดำเนินการที่แตกต่างกันไปเป็นแบบไม่ใช้งานง่าย เป็นที่น่ามหัศจรรย์ใจถึงแม้ว่าที่จริงแล้วที่ทำงานโดยมีเป้าหมายที่มี ประสิทธิภาพ ตรงตามลำดับ PW dn-pw ได้การดำเนินการที่อัตราผลตอบแทนเล็กน้อยให้รางวัลรวมกันในเชิงบวก( -0.27 0.3 )เพิ่มพลังให้กับเขื่อนกั้นน้ำขึ้นอันดับอยู่ที่ถูกปรับโทษ 4-13 รอบ โปรดบันทึกไว้ด้วยว่า:ยังมีอีกว่า noop (ซึ่งสมบรูณ์แบบพร้อมด้วย pwup เมื่อจัดอันดับที่ได้รับกำลังไฟลง)มีการกำหนด รางวัล  nitely ในเชิงบวกเพื่อเป็นการรักษาไว้ซึ่งแม้จะจัดอันดับที่ใช้พลังงานลงไม่ได้ ประสิทธิภาพ การทำงานโดย ตรง  T เราจะกลับมาเยือนอีกครั้งนี้ใน ภายหลัง .