[人工智能]强化学习专栏|有限马尔可夫决策过程（Finite Markov Decision Processes）

? ? ? ? 有限马尔可夫决策问题（后文简写为finite MDPs）包括评价性的反馈，就像强盗一样，但也有联想的一面——在不同的情况下选择不同的行动。MDPs是顺序决策的经典形式，其中行动不仅影响眼前的reward，还影响随后的情况或状态。因此，MDP涉及权衡即时和延迟奖励的需要。而在强盗问题中，我们估计每个动作a的值q*(a)，在MDPs中，我们估计每个状态s中每个动作a的值q*(s，a )。MDP是强化学习问题的数学理想化形式，可以对其进行精确的理论陈述。

1 代理-环境接口（The Agent-Environment Interface）

?