强化学习（一）理论概念

        强化学习（Reinforcement Learning）任务通常用马尔科夫决策过程（Markov Decision Process, 简称MDP）来描述, 通常对应如下四元组：

        其中：

       1. E(Environment)                            —— 所处环境

       2. S(State)                                        —— 状态空间

       3. A(Action)                                       —— 动作空间

       4. P(Probability of State Transition)  —— 状态转移概率 

       5. R(Reward)                                    —— 奖赏集合

       策略（Policy）是强化学习核心，即通过在环境中不断尝试而学得一个策略π，根绝这个策略，在状态s∈S下能得知要执行的动作a∈A或者概率：

   

       或

  

       策略有两种表示方法：函数表示和概率表示。函数表示常用于确定性（Certainty）策略，概率表示常用于随机性（Randomness）策略。 

       评估策略的标准是长期执行策略后得到的累积奖赏。      

       强化学习的目的就是找到能够使长期累积奖赏最大化的策略。