1.static（状态）action（动作是谁做的谁就是action）
2.”%策略函数pi（policy）%“：（概率密度）（随机数）
3.reward（奖励）
4.”%状态转移函数p%“state transition(状态转移，可设置，可随机（根据代码)）
翻译：在状态是s，动作为a时，状态s变成s'的概率为p;
翻译：（environment）代码给予agent一个状态（state），agent做出一个action去更新environment，从而产生一个reward。
5.随机的来源：
一，动作的不确定性；二，状态转移的不确定性
6.trajectory（轨迹）
7.折扣回报（discount return）（γ=0~1的折扣率）
Ut=各个时间的return相加，又由于存在随机性（由action和state决定）所以return受action和state的影响。
8."%动作价值函数（Q pi/QΠ）%"和"%状态价值函数（V pi/V Π）%" ：判断在action和state下的好坏；在state下的赢面
①动作价值函数Qpi=回报的期望；
② 状态价值函数Vpi与动作价值函数Qpi的期望；
1446
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
