基本大概框架

强化学习的主要角色是 智能体 （agent）和 环境,环境是智能体存在和互动的世界。智能体根据当前的环境做出action，action影响环境。然后智能体根据新的环境再进行action。

基础用语

• 状态（state, s）：当前环境的一个客观描述
• 观察（observation, o）：当前环境的一个描述，可能会漏掉部分信息
• 策略（policy）：决定下一步执行何种行动的规则
• 回报（reward）：某种状态进行某种动作产生的真值
• 轨迹（trajectory）：包含状态动作回报的一个链
• 返回值（return）：一个轨迹的所有回报的总和