- state
例如上图就是location，就是网格的位置为state
- action
就是可采取的行动，这里就是可以move的位置
- state transition
就是状态采取action后的state
- forbidden area考虑两种，一种是可以进去，但是会有惩罚，第二种不可以。课程采用的第一种
- Policy 告诉agent在每个state应该采取什么action
- 比如用Π表示策略，在状态S1下采取不同的action的概率。其概率之和为1
- reward
当这个数是正数，代表这个行为是鼓励的，如果是负数，代表为惩罚，这个行为不鼓励。（这个正负数是相对的，就是数学概念，比如也可以用正数代表惩罚）
- agent到达不同的位置的奖励分数，或者在不同的状态下采取对应的行动获得的得分
- trajectory
包含了状态，action, reward。每个trajectory需要有return
- 数学上定义一个policy比较好的方式，就是return的值比较好
- discounted return
如上图，每次进入到target都会得一分，然后分数就会无穷大了
- 使用discounted rate
每一个reward都设置一个，此时这个无穷值就变成了一个数，并且，如果
接近0，证明后面的reward的影响衰减快，主要依赖于前面的reward，等于1，则衰减的较慢。
减少会更加近视，注重前面的reward，增加会更加远视
- Episode
通常是有限步，就是有限步后停止了
MDP
- 集合化
-
- 状态集合S
- 行为集合A(s)
- 回报集合R(s,a)
- 概率分布
-
- 状态过度概率：在当前的状态s采取行动a，到达s'的概率
- 回报过度概率：在当前的状态s采取行动a，获得分数r的概率
- policy
- 与历史无关
得到状态St+1只与t的状态和行为有关
decision process给出policy后变为markov process