这篇博客介绍了Qlearning，一种强化学习的基础算法。通过训练小狗如何正确上厕所的例子，解释了强化学习的概念，即通过奖励来强化行为记忆。Qlearning通过动态规划和表格储存历史经验，以找到最佳行动策略。博主还给出了Qlearning的算法公式，并概述了其实现步骤，包括定义状态、行为、奖励和更新经验。虽然没有给出具体代码，但强调了理解算法逻辑的重要性，鼓励读者自行探索或交流。
1. 引言
这是这个系列的第一篇，为什么会突然写这么一篇？这是因为公司最近搞了一个拳皇97 AI 大赛，各个程序摩拳擦掌，对于我来说有点难，不会玩，不懂客户端，试着写了下发现很难发出招式。本想用机器学习解决问题，奈何在公司网络限制，搞了两天，又由于还有正经工作，断断续续的，环境搭建不起来，简直是走一步三个坑，无奈只能自己手撸最简单的QLearning算法。（环境并不适合，因为状态太多，下面会解释）
2. Qlearning 是什么
强化学习在机器学习里面只是一个分支，QLearing 是强化学习的一个简单算法，可以理解为学程序时的最基础的冒泡排序，至于那些乱七八糟的定义，历史，百度吧，我也记不住，问题不大，解决问题优先。
3.Qlearning原理
本来想贴百度百科上来，不过那种官方的定义不够白话，有点类似文言文，有基础的一下就能看懂，没基础的看不懂。意义不大。
3.1首先看下强化学习的概念：
订阅专栏 解锁全文
扫一扫
293
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
