强化学习-Q-learning

QLearning是强化学习算法中value-based 的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。

算法：

Q更新公式：

S1 为 s 对应的下一个状态有（1，2，4都是状态3对应的非负状态），随机地，我们选择其中一个座位s1.

例子：
假设我们在一个建筑物中有5个房间，这些房间由门相连，如下图所示。 我们将每个房间编号为0到4。建筑物的外部可以视为一个大房间（5）。 请注意，1号和4号门从5号房间（外部）通向建筑物。

初始化：-1不可达，0可达，100可达终点（其中状态2表示起点，5表示终点）