训练 下面的伪代码说明了我们如何训练,来得到一个尽量完美的Q表格。 初始化 Q = { }; while Q 未收敛: 初始化小鸟的位置S,开始新一轮游戏 while S != 死亡状态: 使用策略π,获得动作a=π(S) 使用动作a进行游戏,获得小鸟的新位置S',与奖励R(S,a) Q[S,A]