lencyy

摘要： 首先需要构建环境 env。环境应完整描述马尔可夫决策过程（MDP）的基本要素，包括状态集合 S 以及状态转移函数 step（即在给定状态与动作下返回下一状态与奖励）。 随后对策略进行初始化。策略用于表示在各状态下选择各动作的概率分布。为简化计算，初始时可设定各状态下动作概率为相同值（或统一初始值）。 阅读全文