我目前正在学习强化学习，并且已经建立了二十一点游戏。
游戏结束时有明显的奖励（支出），但是某些操作并不能直接导致奖励（按5分击中），即使最终结果是负数（失去手）。
我的问题是，这些行为应该得到什么奖励？
我可以为不会导致爆破的击中次数编写积极的奖励（赢得手的奖励的一部分），但是感觉我没有正确解决问题。
[此外，当我为获胜分配奖励时（在交牌结束后，我会更新对应于最后一个动作/状态对的q值），这似乎不是最优的，因为此动作可能不会直接导致获胜。
我认为另一种选择是将相同的最终奖励分配给序列中的所有动作/状态对，但是，即使导致失手，也应该鼓励某些动作（例如击中计数<10）。 >
注意：我的最终目标是将Deep-RL与LSTM结合使用，但我从q学习开始。
我目前正在学习强化学习，并且已经建立了二十一点游戏。游戏结束时有明显的奖励（支出），但是某些动作并不能直接带来奖励（...
我会说从简单开始，并使用游戏所规定的奖励。如果获胜，则输掉-1，则将获得+1的奖励。