Reinforcement Learning

创建table（pandas.DataFrame(  np.zeros(n_states, len(actions)),  columns = actions)  ），这个table横轴是state第几步纵轴是动作action，通过值把所有的state  和 action  对应上，选动作的时候就根据值和state，以及环境变量的feedback。

预定义global变量：n_states=6 表示在环境中出发点距离目标的baseline步数，actions=['left','right']表示有哪些可以选择的动作，表示greedy policy也就是随机的大于90%的情况选择价值最大的action其余10%的情况， 表示学习率，表示对未来奖励的一个衰减值，episode表示最多训练多少个回合，fresh_time表示每走一步花多长时间。

Initialize arbitrarily

Repeat (for each episode):
    Initialize 

    Repeat (for each step of an episode):
        choose  from  using policy derived from  (e.g. ε-greedy)   
        take action , observe
        
       

    until  is terminal