我為具有 4 種可能狀態(tài)和 4 種可能操作的板設置了一個簡單的 MDP。董事會和獎勵設置如下所示：這里S4是目標狀態(tài)，S2是吸收狀態(tài)。我在我編寫的代碼中定義了轉移概率矩陣和獎勵矩陣，以獲得此 MDP 的最佳值函數(shù)。但是，當我運行代碼，我得到一個錯誤，指出：OverflowError: cannot convert float infinity to integer。我無法理解這樣做的原因。import mdptoolboximport numpy as nptransitions = np.array([    # action 1 (Right)    [        [0.1, 0.7, 0.1, 0.1],        [0.3, 0.3, 0.3, 0.1],        [0.1, 0.2, 0.2, 0.5],        [0.1,  0.1,  0.1,  0.7]    ],    # action 2 (Down)    [        [0.1, 0.4, 0.4, 0.1],        [0.3, 0.3, 0.3, 0.1],        [0.4, 0.1, 0.4, 0.1],        [0.1,  0.1,  0.1,  0.7]    ],    # action 3 (Left)    [        [0.4, 0.3, 0.2, 0.1],        [0.2, 0.2, 0.4, 0.2],        [0.5, 0.1, 0.3, 0.1],        [0.1,  0.1,  0.1,  0.7]    ],    # action 4 (Top)    [        [0.1, 0.4, 0.4, 0.1],        [0.3, 0.3, 0.3, 0.1],        [0.4, 0.1, 0.4, 0.1],        [0.1,  0.1,  0.1,  0.7]    ]])rewards = np.array([    [-1, -100, -1, 1],    [-1, -100, -1, 1],    [-1, -100, -1, 1],    [1, 1, 1, 1]])vi = mdptoolbox.mdp.ValueIteration(transitions, rewards, discount=0.5)vi.setVerbose()vi.run()print("Value function:")print(vi.V)print("Policy function")print(vi.policy)如果我將 的值更改discount為1from 0.5，它工作正常。值迭代不適用于折扣值0.5或任何其他十進制值的原因是什么？更新：看起來我的獎勵矩陣有問題。我無法按照我的意圖編寫它。因為如果我改變獎勵矩陣中的一些值，錯誤就會消失。