2021-01-11 MDP

强化学习MDP四元组 <S，A，P，R>

s：state 状态

a：action 动作

r：reward 奖励

p：probability 状态转移概率

在st时刻选择了at动作时，转移到st+1，而且拿到rt的概率

该系统遵循马尔可夫特性，在任何时间步的状态转移仅受其前一个时刻的状态影响，并不受前两个时间步的状态（即st-1、st-2）的影响

此过程也取决于智能体与环境交互的at（包含一个决策机制） ---> 马尔可夫决策过程

状图转移与序列决策

![](https://ad.itadn.com/c/we