理解自 周志华《机器学习》
在强化学习的过程中，首先是对强化学习的理解，可用马尔可夫决策过程（Markov Decision Process, MDP)来理解:
机器处于环境E中，状态空间为 X X X，其中每个状态 x ∈ X x∈X x∈X是机器感知到的环境的描述，机器能采取的动作构成了动作空间 A A A，若某个动作 a ∈ A a∈A a∈A作用在当前状态 x x x上，则潜在的转移函数 P P P将使得环境从当前状态按某种概率转移到另一个状态，同时，环境会根据潜在的“奖赏函数 R R R”反馈给机器一个奖赏。
在上述图片中，最优策略为：在“健康”状态时选择“浇水”、在“溢水”状态时选择“不浇水”、在“缺水”状态时选择“浇水”、在“凋亡”状态时选择”浇水“货”不浇水“都可以。上述最优策略使根据动作所对应 p p p（概率）来得出最优奖赏的过程。
机器的任务就是通过在环境中不断城市而学得一个”策略“（policy） π \pi π，根据这个策略，在状态 x x x下就能得知要执行的动作 a = π ( x ) a=\pi(x) a=π(x)。策略有两种：
确定性策略：表示为 π ： X \pi：X π：X➡ A A A，即一个状态 x x x下对应一个确定的动作 a a a下。
随机性策略：表示为 π ： X \pi：X π：X× A A A➡ R R R，其中 π ( x , a ) \pi(x,a) π(x,a)表示状态 x x x下选择动作 a a a的概率，并且不同状态对应的概率之和为1。
强化学习与监督学习的区别
若状态对应示例，动作对应标记，则策略相当于分类器（离散）或者回归器（连续）。但强化学习中没有有标记样本，在某种意义上可看作”具有延迟标记信息“的监督学习问题。