连续行动:
在某些情况下，action是一个连续向量（比如驾驶类游戏，需要决定一个连续的角度）
在这种情况下，Q learning 并不是一个用来寻找最佳action的好方法
解决方式一:
采样一系列行动，看哪个行动会返回最大的Q值
解决方式二:
使用梯度上升来解决这个优化问题（具有较高的计算成本）
解决方式三:
设计一个网络来使得这个优化过程更简单
这里 ∑ 和 μ 是高斯分布的方差和均值，因此，该矩阵 ∑一定是正定的。要让Q值较高，意味着要使得(a−μ)2
的值更小，也就是说 a=μ