<强化学习>基本概念

马尔可夫决策过程MDP，是强化学习的基础。

MDP ---

 

AGENT

STATE

ENV 

REWARD   ，agent处于状态s下，采取action之后离开状态获得一个reward。即f：S x A --->R

所有强化学习问题解决的目标都可以描述成最大化累积奖励。All goals can be described by the maximisation of expected cumulative reward。即我们的目标是最大化G_t 。

 

ACTION     ，离散分布，或者连续分布。

POLICY     ，策略。 π ：S x A --->[0,1] 

VALUE       ，有state value V(s)和state-action value Q(s,a)两种。

 

History & Observation & State三个概念辩解：