马尔卡夫决策过程理论定义了一个数学模型，可用于随机动态系统的最优决策过程。 强化学习利用这个数学模型将一个现实中的问题变成一个数学问题。 强化学习就是：追求最大回报G 追求最大回报G就是：找到最优的策略π?。 策略π?告诉在状态s，应该执行什么行动a。 最优策略可以由最优价值方法v?(s)或者q?(s,a)决定(The Markov decision process theory defines a mathematical model that can be used for the