Kuidas piirata agendi samme, et see ei satuks tsüklisse?

Selleks, et piirata agendi samme ja ka vältida lõpmatuid tsükleid, määratakse tavaliselt maksimaalne iteratsioonide või toimingute arv, mida agent saab ühe episoodi jooksul teha. Seda saab rakendada sammude loenduriga, mis suureneb iga toimingu korral, ja täitmine peatatakse, kui loendur jõuab määratud piirini.

Samuti on kasulik kasutada ajapiiranguid või timeout'e, et agent ei jääks lõpmatusse tsüklisse. Mõnel juhul võib lisada peatamise kriteeriume, mis põhinevad eesmärgi saavutamisel või edusammude puudumisel.

Python näide:

max_steps = 100
steps = 0
while not done and steps < max_steps:
    action = agent.act(state)
    state, reward, done = env.step(action)
    steps += 1