状态（X） ： 机器对环境的感知， 所有可能的状态称为状态空间；
动作（A） ： 机器所采取的动作， 所有能采取的动作构成动作空间；
转移概率（P） ： 当执行某个动作后， 当前状态会以某种概率转移到另一个状态；
奖赏函数（R） ： 在状态转移的同时， 环境给反馈给机器一个奖赏。
强化学习的主要任务就是通过在环境中不断地尝试， 根据尝试获得的反馈信息调整策
略， 最终生成一个较好的策略π ， 机器根据这个策略便能知道在什么状态下应该执行什么动作
常见的策略表示方法：
确定性策略：
， 即在状态
随机性策略：
， 即在状态 
下执行
动作的概率。
一个策略的优劣取决于长期执行这一策略后的累积奖赏
T步累计奖励
,即执行该策略T步的平均奖赏的期望值
r折扣奖赏
，一直执行到最后，同时越往后的奖赏权重越低
若有收获，就点个赞吧
0 人点赞
