yijun0730

摘要： 在马尔科夫模型（MDP）完全已知的情况下，我们可以用动态规划来求解最优策略，求出在给定状态$s$下，应该选择哪一个 下个状态$s'$，这样使得累积奖励最大。 因为需要求解的是累积奖励，所以单纯的贪婪即时奖励最大的策略是不可行的。 所以我们引入了能够包含未来奖励的v值（和q值），在与环境的交互过程中， 阅读全文