Tips 最好装个jupyter notebook 便于可视化

一. 专有名词

1. state（s）表示物体的状态

2. agent 智能体

3. action 动作

在这张图片中,左边一整张图片是state，马里奥是agent，左右上三个动作是action

4. policy pai 策略

5. reward R 奖励

6. state transition 状态转移

注意状态转移是具有随机性的，也就是下一个状态是不确定的。

关系

上述基本概念都有一定的联系，如上图所示。

随机性

在深度强化学习中，随机性主要来自于两个方面：agent的action具有随机性，state transition也具有随机性。

return 回报

回报是指从t时刻开始直到结束所有奖励的累加，如定义1。
但事实上，每个时间点的奖励的权重并不相通，越未来的回报权重越低，因此定义了一个折扣率gama，通过定义2这个公式来实现求得更符合实际的回报。因此，折扣率gama设置的大小和深度强化学习的结果有一定的关系。
而奖励同样具有随机性，是由state和action决定的，因此回报return也同样具有随机性，由state和action决定

Action-Value Function 动作价值函数

Qpai函数是指在pai策略下得到的动作价值函数，而Q函数是指最优动作价值函数，定义就是当policy=pai时，取得的Qpai最大，因此Q与pai已经无关，它的实际意义是当agent处于St 这个state的时候，动作at好不好。

Vpai是状态价值函数，用来评价状态是好是坏。