4×4 网格世界 / 价值迭代 vs 策略迭代

同一个 MDP，两种解法并排跑。每一步都给出全部 16 格的 状态价值 V(s) 与 贪心策略 π(s)， 拖动 每步奖励 r 看看最优策略会怎样彻底改变。