题目描述

在恢复训练中，机器人会连续收到多条经验。具身智能部要求你按输入顺序原地更新 Q 表：每条合法经验立即影响后续经验的计算。全部经验处理完后，查询某个 Q 值，并给出查询状态下当前策略会选择的动作。

若某条经验中的当前动作在当前状态不合法，则跳过这条经验，不更新 Q 表。

输入格式

第一行输入两个整数 N A，表示状态数和动作数。

接下来输入 N 行，每行 A 个实数，表示初始 Q 表。

接下来一行输入两个实数 alpha gamma，表示学习率和折扣因子。

接下来输入 N 行，每行 A 个整数，表示每个状态下各动作是否合法。

接下来一行输入 A 个实数，表示每个动作的风险。

接下来输入整数 M，表示经验条数。

接下来 M 行，每行输入：

s a r sn terminal

最后一行输入两个整数 qs qa，表示要查询的状态和动作。

状态和动作编号均为 1-based。

输出格式

输出一行：

Q_qs_qa best_action best_value

三个数中 Q 值和最优动作价值保留 6 位小数。若查询状态没有合法动作，best_action = -1，best_value = 0.000000。

判定规则

对每条未被跳过的经验执行一次 Q-learning 更新：

target = r + gamma * best_next_Q
Q[s][a] = Q[s][a] + alpha * (target - Q[s][a])

若 terminal = 1，或后继状态 sn 没有合法动作，则 best_next_Q = 0。

选择后继最优动作时，先比较 Q 值更大者，再比较风险更小者，最后比较动作编号更小者。

所有经验按输入顺序原地更新。使用标准输出比较，浮点数保留 6 位小数。

数据范围与测试提示

• 正式测试会覆盖样例没有出现的边界输入，请不要依赖样例规模或样例顺序写特判。
• 输出只包含题目要求的字段，不要输出调试信息；浮点结果按题面要求保留 6 位小数。
• 多阶段恢复可能在任意阶段终止，恢复奖励和失败惩罚不要重复计入。
• 后继状态动作集合可能为空，风险边界和终止标记要优先于普通最大 Q 选择。
• 非法经验要跳过；经验按输入顺序原地更新，后续经验会看到前面的更新结果。

样例

输入样例 1

2 2
0 0
1 2
0.5 0.9
1 1
1 1
0.2 0.1
2
1 1 5 2 0
2 2 -1 1 1
1 1

输出样例 1

3.400000 1 3.400000

输入样例 2

1 2
1 2
1 1
1 0
0.1 0.2
1
1 2 5 1 0
1 2

输出样例 2

2.000000 1 1.000000