flappy bird 为例子来讲
看完这个我好像脑子里有个程序了 ：
https://www.zhihu.com/question/26408259
小鸟飞例子-建模关键点：
增强学习有三个要素：状态S，动作A，奖惩R的策略Q
S：
d(x,y)表示小鸟离下一根柱子的距离和高度差
A：
飞一下 或者 不飞，两种可选动作
Q（S+A->R）：
为一个策略表，也称之为Q，其实就是我们最终想学到的东西。就是在某状态S下采用不同动作A 可以得到的奖惩R。
如何训练：
Initialize Q arbitrarily //随机初始化Q值 (撞地上或者柱子上初始化为负值)
Repeat (for each episode): //每一次游戏，从小鸟出生到死亡是一个episode
Initialize S //小鸟刚开始飞，S为初始位置的状态
Repeat (for each step of episode):
。。。根据当前Q和位置S，使用一种策略，得到动作A //这个策略可以是ε-greedy等
做了动作A，小鸟到达新的位置S'，并获得奖励R //奖励可以是1，50或者-1000
Q(S,A) ← (1-α)*Q(S,A) + α*[R + γ*maxQ(S',a)] //在Q中更新S
S ← S'
until S is terminal //即到 小鸟死亡为止
关键的这一步怎么理解呢？
Q(S,A) ← (1-α)*Q(S,A) + α*[R + γ*maxQ(S',a)]
1 当处于S状态采取A策略后，根据S'我们可以得到R, 那么这个R应该跟新到Q(S,A)中,我们可能会这样做：
Q(S,A) ← (1-α)*Q(S,A) + α*R
其中α是0~1之间的一个数，我们称之为学习率。
2 上面的公式太短视，我们更新Q(S,A) 时是不是要考虑一下，通过步骤A走到下一个状态S'的收益呢？
Q(S,A) ← (1-α)*Q(S,A) + α*[R + γ*Q(S',？)]
其中γ是一个0~1的小数，表示我们关注长期（下一步）收益的程度，代表对历史经验的重视程度。
3 Q(S',？)表示状态S'的收益，Q(S',？)有飞和不飞2个值，我们既然知道奖惩，肯定是采用Q(S',？)中最大的那一种操作于是我们得到
Q(S,A) ← (1-α)*Q(S,A) + α*[R + γ*maxQ(S',a)]
根据以上信息就可以写代码啦！
现在用走房子的例子来写一个程序：
题目参考：http://blog.csdn.net/itplus/article/details/9361915#0-qzone-1-29435-d020d2d2a4e8d1a374a433f596ad1440
我们需要尽快从当前房子走到目的房子：
代码：
#include
#include
#include
#include
#include
#include
#include
