前言
本文内容来自于南京大学郭宪老师在博文视点学院录制的视频，课程仅9元地址，配套书籍为深入浅出强化学习 编程实战 郭宪地址。
正文
我们发现多臂赌博机执行一个动作之后，无论是选择摇臂1，摇臂2，还是摇臂3之后都会返回原来的状态，也就是说它的状态并没有改变，而右边的寻金币游戏，从1到2，智能体执行动作之后位置（状态）发生了变化，而强化学习就是寻找当前状态下最优的动作，或者说不同状态下最优动作合集（策略）。
从下图右可以看出，P和R都和s，a有关系，无模型就是因为缺P和R。
实际应用中，对于游戏一般用截取的图像信息作为s，但通常不能只用一帧图像作为s，比如说在大小球的游戏中，一帧图像，无法判断小球移动方向和球速，最起码要两帧，在实际应用中，为了提高精确度，一般用四帧图像作为s。AlphaGo中用过去八手双方棋局作为状态。
动作的定义
策略的定义：策略就是给定状态s时，动作集上的分布，比方说，找金币，智能体在状态5时，采用确定性策略，此时向西走概率为1，向其他方向为0，为改状态下的动作概率分布。
值函数定义：就是在策略Π下，智能体从状态s出发，用采用策略Π的累计回报的期望，简单理解，从状态s出发，不同的选择函数（策略，该策略是动作选择策略），会选择不同的动作，转移到不同的状态，最后会找到很多条路径（s，a），选则累计回报最大的路径。
值函数和行为值函数的区别：值函数只和s有关，行为值函数和s，a相关。但两者都是对策略Π的度量。
我们看一下寻找梦中的他游戏的环境设置，
状态空间：对下图进行10×10的网格划分也就是说会有100个不同的状态空间，所以最多会遍历100步，
动作空间：有上下左右四个选择
状态转移概率：此处主要说一下，鸳鸯在碰到障碍物时，不会移动到障碍物位置，而是继续保持原本状态，同样在即将出界时，也是保持原本状态。比方说，向东连续走两个格，第三个格有障碍物，不会移动到障碍物位置，而是保持原本位置不变。
立即回报：碰到障碍物时回报为-1，找到他时回报为1，正常移动回报为0
策略表示：使用了词典函数（待理解）
值函数：设置了10×10的矩阵，对应一百个表格（属于表格型强化学习）
环境渲染用到了pygame包，使用时共三个步骤
1.获取当前图片所在目录
2.获取图片文件名
3.下载图片，并转换成surface对象
最后要继续使用pygame绘制窗口
1.display.set_mode：绘制窗口幕布
2.blit：图片显示在窗口中
3.display.update：幕布更新函数
代码可从视频链接自取