强化学习基础知识
   作为人工智能领域、机器学习(Machine      Learnig)热点研究内容之一的强化学习
(Reinforcement Learning,RL)，旨在通过在无外界“教师”参与的情况下，智能体(Agent)自
身通过不断地与环境交互、试错，根据反馈评价信号调整动作，得到最优的策略以适应环
境。

一、Markov 决策过程（MDP）
强化学习的来源是马尔科夫决策过程：M=<S,A,P,R>
Markov 性的意思是 x 取 x(1),x(2),x(3)...x(n)所得到 x(n+m)的分布与 x 只取 x(n)所得到的
x(n+m)的分布相同，既是说未来状态的分布只与当前状态有关，而与过去状态无关。（无
后效性）
若转移概率函数 P（s,a,s’）和回报函数 r(s,a,s’)与决策时间 t 无关，即不随时间 t 的变
化而变化，则 MDP 称为平稳 MDP。
当前状态 s 所选取的动作是由策略 h 决定：S*A  [0,1]                     A=  (s)在状态 s 下用策略
所选取的动作。
动作后的结果是由值 ...