资料来源：强化学习 Reinforcement Learning (莫烦 Python 教程 )
1. 强化学习算法分类
Value based（优势：用于连续动作的概率分布）: Q Leraning, Sarsa, Deep Q Network
Policy based（优势：便于得到最佳值，只要分数最高即可）: Policy Gradients
Policy-Value（混合用法：基于概率做出行为，根据分数得到分数）: Actor-Critic
Policy & Value
Model-Free RL：不理解环境，没有过往经验,一步步判断
Model-Based RL：理解环境,能根据以往的经验进行学习，具有想象力,选择最佳行为
Model-Free RL & Model-Based RL
Monte-Carlo update（回合更新）：基础班Policy Gradients, Monte-Carlo Learning
Temporal-Difference update（单步更新）：Q Learning, Sarsa, 升级版Policy Gradients
On-Policy（在线学习，只能学习自己的行为）：Sarsa, Sarsa(λ)
Off-Policy（离线学习，可以学习自己或他人的行为）：Q Learning, Deep Q Network
2. Q Learning
Q Learning算法
2.1 参数解释
Q(s,a)：根据Q表，在s环境下执行a行为所得到的分数
ε-greedy：用于决策的策略，比如ε=0.9，表示90%的情况根据Q表的最优值来选择行为，10%的情况为随机
γ：Q表最优值得衰减率
α：学习率
s：surrounding环境
a：action行为
r：reward奖励
Q表
2.2 γ衰减值的意义
γ = (0~1) :值越大，远处的价值越清晰，使Q Learning算法更具远见，不仅仅只看眼前的价值
