强化学习算法复现（二）：动态规划_杰克租车问题【策略迭代】

问题描述：
杰克管理一个全国性汽车出租公司的两个地点。每天，都有一些顾客到这两个地点租车。如果有车可租，杰克就将车租出并从公司得到10美元的回扣。如果这个地点没车，杰克就失去了这笔生意。还回的车第二天就可以出租。为了使需要车的地点有车可租，杰克可以在两个地点间移动车辆，移动每辆车的费用是2美元。我们假设每个地点的车的需求量和归还量都是泊松分布变量。假设租车的期望值是3和4，还车的期望值是3和2。

为了简化问题，我们假设每个地点的车不多于20辆(多于的车被还回公司，因此就从此问题中消失了)并且一晚上最多移动5辆车。折扣率为0.9，并描述为一个有限MDP问题，时间步为天，状态是每天结束时两个地点的车辆数，动作是晚上在两个地点间移动的车辆数。

代码过程如下所示：

from matplotlib import pyplot as plt
import numpy as np
from matplotlib import animation
from scipy