1.2 马尔可夫决策过程 (MDP)：定义、回报、贝尔曼方程、最优策略与价值函数

文档摘要

1.2 马尔可夫决策过程 (MDP)：定义、回报、贝尔曼方程、最优策略与价值函数强化学习与智能体训练：从 Q-Learning 到深度强化学习强化学习基础领域 1.2 马尔可夫决策过程 (MDP)：定义、回报、贝尔曼方程、最优策略与价值函数亲爱的读者朋友们，欢迎来到强化学习的奇妙世界！在上一章中，我们对强化学习有了一个初步的认识，知道它是一种通过“试错”来学习最优行为的机器学习范式。那么，智能体是如何进行“试错”的呢？它又是如何理解环境、做出决策并最终达成目标的呢？这一切的奥秘，都隐藏在一个至关重要的数学框架之中——马尔可夫决策过程 (Markov Decision Process, MDP)。