四要素，SMAR-P
state 状态，系统的状态集合
model 模型 状态经过动作后的转移 T(S,a,S')
action 可以执行的动作集合
reward 某个动作的奖励，可以是R(s),R(s,a),R(s,a,s')
这样的一个过程，要求解的是一个行动策略
P(s)->a, 使得奖励最大化。隐含的假设是时间无尽
马尔可夫决策过程
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
相关阅读更多精彩内容
- 看了David Silver深度强化学习课程，感觉收获很多呀，第二讲主要讲的是马尔可夫决策过程，借着写文档的机会，...
