一背景

该部分主要是讲述强化学习一些基础知识，包括MDP，价值迭代以及策略迭代。

二基础

蛇棋的玩法：

1. 玩家每人拥有一个棋子，出发点在图标标为1的格子上

2. 玩家依次掷骰子，根据骰子的点数将自己的棋子向前行进相应的步数。假设笔者的棋子在1处，并且投掷的棋子可以到达“5”的位置。

3. 棋盘上有一些梯子，他的俩边与棋盘上的俩个格子相连。如果棋子落在其中的一个格子上，就会自动走到梯子上对应的另一个格子中。

4. 最终的目标是达到“100”处，如果在到达时投掷的数字加上当前的位置超过了100，那么棋子将首先达到100，剩余的步数将反向前进。

其他：认为玩家可以通过使用不同的掷骰子的方法来控制游戏。假设玩家的手法只有俩种：一种可以均匀投掷出1～6这6个数字，另一种可以均匀投掷出1～3这三个数字。这样玩家相当于在每一个状态有俩个选择。

蛇棋游戏

基础代码

MDP马尔可夫决策过程。是当前强化学习理论推导的基石。马尔可夫决策过程过程包含以下三层含义：

1. "马尔可夫"表示了状态间的依赖性。当前状态的取值只和前一个状态产生依赖，不和更早的状态产生联系。

2. "决策"表示了其中的策略部分将由Agent决定。Agent可以通过自己的行动改变状态序列，和环境中存在的随机性共同决定未来的状态。

3. “过程”表示了时间的属性。如果把Agent和环境的交互按时间的维度展开，那么agent行动后，环境的状态发生改变，同时时间向前推进，新的状态产生，Agent将获得观测值，于是新的行动产生，然后状态再更新。

状态值函数：已知当前的状态s，按照某种策略行动产生的长期回报期望

状态行动值函数: 已知当前状态s和行动a，按照某种策略行动产生的长期回报期望。

基础公式Bellman：

为了更好展示策略迭代的过程：最优策略policy_ref：前97状态执行1-6掷骰子的action，后三种状态执行1-3掷骰子的action。策略0policy_0: 所有状态都执行第一种action就是1-6，策略1policy_1：所有状态都执行第二种action就是1-3。

策略迭代样例

输出结果

策略迭代核心的俩部分：主要是策略评估，策略提升俩部分。

策略迭代部分

在蛇棋没有梯子的demo：

没有梯子的demo

有梯子的demo

从上述算法可以看出算法的时间都花在的策略评估上。

包括策略迭代耗时以及价值迭代俩部分

策略迭代耗时

因为策略迭代的策略评估部分耗时严重，所以引入了价值迭代。