Uvažujte dvou­rozměrný obdél­níkový stavový prostor o roz­měrech

×

s těmito indexy jednot­livých stavů:

Dále uvažujte, že aktuální ohodno­cení jednot­livých stavů po před­chozích procház­kách je násle­dující (zkratkami rew= jsou ozna­čeny odměny / rewards):

Metodou TD–learning s koeficienty

alpha  =  a gamma  =

vy­počítejte nová ohodno­cení všech stavů po pro­cházce stavy:

a výsledek za­pište ve tva­ru ma­tice s čís­ly za­o­krou­hle­nými na desetinná místa.