一、强化学习简介
1.1 问题定义
1.2 马尔可夫决策过程
举例说明马尔可夫决策过程
例1：
例2：
执行动作的策略
强化学习的目标是让智能体通过不断尝试，找到最优的策略（policy），即在每个状态下选择什么动作，以最大化累积的奖励。强化学习的常见算法有：
-
Q学习（Q-learning）：一种基于值函数（value function）的方法，它用一个表格（Q-table）记录每个状态-动作对的期望奖励（Q-value），并根据贪心或探索-利用的原则更新表格。
-
策略梯度（policy gradient）：一种基于策略函数（policy function）的方法，它用一个参数化的函数（如神经网络）表示策略，并根据奖励的梯度方向更新参数。
-
深度强化学习（deep reinforcement learning）：一种结合深度学习和强化学习的方法，它用深度神经网络来近似值函数或策略函数，如DQN、DDPG、A3C等。
如何通过马尔可夫决策过程找到最优策略？
强化学习在制造业中的应用
参考网址：
https://zh.wikipedia.org/wiki/强化学习 强化学习 - 维基百科，自由的百科全书 (wikipedia.org)