constant.py

r_target = 1.0 # encouragement
r_bound = -1.1 # punishment
r_forbid = -1.1 # punishment
r_stay = -1.0 # punishment
r_other = 0.0
γ = 0.99 # discount_rate
θ = 1e-10 # error threshold
inf = 1e9
max_len = 10

n = 5

# easy
# env = [
#     [".", ".", "1", ".", "."],
#     [".", ".", ".", ".", "."],
#     ["2", ".", "*", ".", "8"],
#     [".", ".", ".", ".", "."],
#     [".", ".", "4", ".", "."],
# ]

# median
env = [
    [".", ".", "2", "*", "."],
    [".", "*", "*", "2", "."],
    ["3", "*", ".", ".", "9"],
    [".", "*", "*", "*", "."],
    [".", ".", "5", ".", "."],
]

# hard
# env = [
#     [".", "*", "*", ".", "."],
#     [".", "3", "*", "*", "."],
#     [".", "*", ".", ".", "."],
#     [".", "2", "*", "*", "."],
#     [".", ".", ".", ".", "."]
# ]

# n = 10
# env = [
#     [".", ".", "*", ".", ".", ".", ".", ".", "*", "."],
#     [".", ".", ".", ".", "*", ".", ".", ".", "*", "."],
#     [".", ".", ".", ".", "*", ".", "*", ".", "*", "*"],
#     [".", "*", "*", ".", ".", "*", ".", ".", ".", "."],
#     [".", ".", ".", ".", ".", ".", ".", ".", ".", "*"],
#     ["*", "*", ".", "*", ".", ".", ".", "*", ".", "."],
#     [".", ".", ".", ".", ".", ".", ".", "*", ".", "."],
#     [".", "*", ".", "*", ".", "*", "*", "*", ".", "*"],
#     [".", "*", ".", "*", ".", "E", ".", ".", ".", "*"],
#     [".", ".", ".", ".", ".", ".", ".", ".", "*", "."]
# ]