首先我们需要明确，强化学习的任务是什么？ 这用大白话说：就是我们希望用强化学习的方式，使智能体获得独立自主地完成某种任务的能力。 智能体学习和工作的地方，我们就称为环境。 注意！所谓独立自主，就是智能体一旦启动，就不需要人指挥了。

state action reward

有兴趣的可以参看：https://openai.com/index/emergent-tool-use/

A（action）动作 动作其实不用解释，就是智能体做出的具体行为。 例如扫地机器人会移动，吸尘，甚至喷水。无人驾驶汽车能够移动，加速，刹车，转弯等。 动作空间就是该智能体能够做出的动作数量。 举个例子：智能体身处十字路口。那么我们的方向就有4个。也就是说，我们能做的动作，就是4个。我们称我们能做的动作的集合，称为动作空间 π

R（reward）奖励 当我们在某个状态下，完成动作。环境就会给我们反馈，告诉我们这个动作的效果如何。这种效果的数值表达，就是奖励。 其实这里的reward翻译为“反馈”可能更合适一点。因为反馈并不是完全正面的，也有负面。当奖励可以是正数，表示鼓励当前的行为；如果是负数负数，表示惩罚这种行为。当然也可以是0。 而奖励值的大小，表示鼓励的和惩罚的力度不同。 奖励在强化学习中，起到了很关键的作用，我们会以奖励作为引导，让智能体学习做能获得最多奖励的动作。 例如：我需要训练机器人打乒乓球。机器人每次赢球，都可以加分；输球，就减分。这分数就表现了机器人的动作好坏。如果机器人希望获得更多的分数，就需要想办法赢球。 又例如：无人驾驶汽车如果成功到达目标地点，那么可以获得奖励；但如果闯红灯，那么就会被扣除大量的奖励作为惩罚。如果无人驾驶汽车希望获得更多的分数，那么就必须在遵守交通规则的情况下，成功到达目标地点。 注意，奖励的设定是主观的，也就是说我们为了智能体更好地学习工作，自己定的。所以大家可以看到，很多时候我们会对奖励进行一定的修正，这也是加速智能体学习的方法之一。

state 是环境的状态，输入给智能体agent， 对于智能体来说是它看到的，所以也叫做observation

有三个重要的元素：S，A，R。我们分别来看一下，他们代表的是什么。然后大家就会明白，为什么马尔科夫链是一个很好很常用的模型。

1.智能体在环境中，观察到状态(S)； 2.状态(S)被输入到智能体，智能体经过计算，选择动作(A); 3.动作(A)使环境进入另外一个状态(S)，并返回奖励(R)给智能体。 4.智能体根据返回，调整自己的策略。 重复以上步骤，一步一步创造马尔科夫链。 所以你看，强化学习跟教孩子是一个道理: 孩子做了好事，必须给奖励；孩子做错事了，必须惩罚。就这么简单！

两个不确定性： 第一个，是“选择”的过程。智能体“选择”会影响到下一个状态。比如state/observation一样，agent对于action的选择也可能不同，这种不同动作之间的选择，我们称为智能体的策略。策略我们一般用Π表示。我们的任务就是找到一个策略，能够获得最多的奖励。 第二个不确定性，是环境的随机性，这是智能体无法控制的，比如action一样但反馈回来新的state/observation或reward也可能有所不同。但马尔科夫链允许我们有不确定性的存在。 所以，这种不确定性来自两个方面：1.智能体的行动选择（策略）。2.环境的不确定性。

当智能体从一个状态S，选择动作A，会进入另外一个状态S'；同时，也会给智能体奖励R。 奖励既有正，也有负。正代表我们鼓励智能体在这个状态下继续这么做；负得话代表我们并不希望智能体这么做。 在强化学习中，我们会用奖励R作为智能体学习的引导，期望智能体获得尽可能多的奖励。

并不能单纯通过R来衡量一个动作的好坏。我们必须用长远的眼光来看待问题。我们要把未来的奖励也计算到当前状态下，再进行决策。 所以我们在做决策的时候，需要把眼光放远点，把未来的价值换到当前，才能做出选择。

评估动作的价值，我们称为Q值： 它代表了智能体选择这个动作后，一直到最终状态奖励总和的期望； 对action的评估 所以能指引agent采取哪种action

评估状态的价值，我们称为V值： 它代表了智能体在这个状态下，一直到最终状态的奖励总和的期望。 对state的评估， 所以能指引agent尽量让环境进入哪种state，让自身处于哪种state更有利。

假设现在需要求某状态S的V值，那么我们可以这样： 1.我们从S点出发，并影分身出若干个自己; 2.每个分身按照当前的策略 选择行为; 3.每个分身一直走到最终状态，并计算一路上获得的所有奖励总和; 4.我们计算每个影分身获得的平均值,这个平均值就是我们要求的V值。 从某个状态，按照策略，走到最终状态很多很多次；最终获得奖励总和的平均值，就是V值。

V值是会根据不同的策略有所变化的

假设策略 采用平均策略[A1:50%,A2:50%]，根据用影分身(如果是学霸直接求期望)，那么我们可以求得V值为15

改变策略[A1:60%,A2:40%]，那么我们可以求得V值为14，变少了！

Q值和V值的概念是一致的，都是衡量在马可洛夫树上某一个节点的价值。只不过V值衡量的是状态节点的价值，而Q值衡量的是动作节点的价值。 现在我们需要计算，某个状态S0下的一个动作A的Q值： 1.我们就可以从A这个节点出发，使用影分身之术； 2.每个影分身走到最终状态,并记录所获得的奖励； 3.求取所有影分身获得奖励的平均值，这个平均值就是我们需要求的Q值。 与V值不同，Q值和策略并没有直接相关，而与环境的状态转移概率相关，而环境的状态转移概率是不变的。

总结一下，从以上的定义， 我们可以知道Q值和V值的意义相通的： 1.都是马可洛夫树上的节点； 2.价值评价的方式是一样的：

Monte Carlo Sampling（1947） 大量的重复试验的方法就叫做Monte Carlo Sampling（1947） 1.我们把智能体放到环境的任意状态； 2.从这个状态开始按照策略进行选择动作，并进入新的状态。 3.重复步骤2，直到最终状态； 4.我们从最终状态开始向前回溯：计算每个状态的G值。 5.重复1-4多次，然后平均每个状态的G值，这就是我们需要求的V值。

第一步，我们根据策略往前走，一直走到最后，期间我们什么都不用算，还需要记录每一个状态转移，我们获得多少奖励r即可。 第二步，我们从终点往前走，一边走一边计算G值。G值等于上一个状态的G值(记作G'),乘以一定的折扣(gamma),再加上r。

1.G的意义：在某个路径上，状态S到最终状态的总收获。 2.V和G的关系：V是G的平均数。