注：写这篇文章纯粹为了给自己看，当复习资料，里面应该会有很多不太恰当的地方，但确实是我理解的大致过程。如果大家看完也能理解怎么执行的那就更好了。
一个例子简单粗暴理解Q-Learning的执行过程。
首先强化学习有四个参数，分别是agent：智能体、state：状态、action：动作、reward：奖励。
整个过程就是不断做动作拿奖励（或者惩罚）到最后学习到一个能拿到最多奖励的动作序列。
接下来一个例子来解释这些参数。
图1中，我们把人看作agent，每个表格的坐标看作state（由左到右由上到下分别为(0,0)(0,1)(0,2)(1,0)(1,1)(1,2))，向上下左右四个方向的运动看作action，走到棱形出奖励值为-1，五角星处奖励值为1，其他格奖励值都为0。
图2是我们的Q值表，Q值可以暂时理解为收益，我们最终的目的就是要找到一连串的动作序列，此序列使得Q值总和收益最大。开始时我们初始化这张表，全部初始化为0。也就是此时所有的Q(state,action)的值都为0。现在我们从(0,0)状态处出发，既然上下左右四个action收益都是0，那我们第一步选择走哪个方向呢？这就是算法实现部分可以自行设置的地方了，一般设置是90%概率取Q值最大的动作进行，10%的概率随机选取一个动作执行。
由于第一步只能向右或者下，所以我们随机选择一个向右的动作：
好了，那么现在我们需要更新此时这个状态下做这个动作的Q值了，也就是表格中的Q((0,0),右)，这个值怎么计算呢。只需要一个公式就可以，推导过程很麻烦，我们直接解释一下最终的公式。
箭头可以看作 = 号。α为学习效率，γ为衰减率。
上述公式由中文解释就是:
Q(当前状态) = Q(当前状态) + 学习率*[奖励值(到达这个点的奖励)+衰减率*Q(下一步的最大值) - Q(当前状态)]
此时，公式里我们已知道的：
Q(当前状态) = 0，到达(0,1)的奖励值为0，即r=0，衰减率和学习率我们随便设置一个就好，例如学习率为0.5，衰减率也为0.5，Q(下一步的最大值)，由于(0,1)处所有的actionQ值都为0，所以Q(下一步的最大值)=0，所以上述公式结果为:
Q(当前) = 0 + 0.5*[0 + 0.5*0 - 0 ] = 0
此时我们更新表中 Q((0,0),右)的值，Q((0,0)=0，虽然没变化但确实经过计算得出的，而不是初始化的0。
此时我们要在状态为(0,1)下继续选择action，因为(0,1)状态下所有的action Q值都为0，因此我们还是随机选取，比如选取向下的action，走到方块处，这个位置奖励为-1。现在我们要更新此处的Q值，也就是Q((0,1),下)的值。
再利用上述公式：Q(当前状态) = 0，到达(1,1)的奖励值为-1，即r=-1，Q(下一步的最大值)=0，结果就是
Q(当前状态) = 0 + 0.5*[-1+0.5*0 - 0] = -0.5。
此时我们更新表格中Q((0,1),下)的值，也就是-0.5。
按照这个过程以此类推，每次随机从不同的点出发进行更新Q表值，最终我们会得到一个完整的Q表，最优的动作序列也就依照Q表得出了。
