强化学习流程：

• 我们的代理从环境接收 — 我们接收游戏的第一帧（环境） State S0
• 基于代理采取的情况 — 我们的代理将向右移动 S0 action A0
• 环境走向新的——新的框架 State S0
• 环境给了代理一些——我们没有死（正面奖励+1）Reward R0
  

 RL 循环输出一系列状态、操作、奖励和下一个状态

解决强化学习问题的两种主要方法：

这个政策是我们想要学习的功能，我们的目标是找到最优的政策π*，当代理人按照它行事时，期望回报最大化的策略。我们通过培训发现这一点π*。有两种方法可以训练我们的代理找到此最佳策略π*：

• 直接地，通过教代理了解在给定当前状态的情况下采取哪些操作：基于策略的方法。 Policy-Based Methods
• 间接地，教代理了解哪种状态更有价值，然后采取导致更有价值的状态的操作：基于值的方法。 Policy-Based Methods

基于策略的方法：

在基于策略的方法中，我们直接学习策略函数。

此函数将定义每个状态与最佳相应操作之间的映射。我们也可以说，它将定义该状态下可能操作集的概率分布。

我们有两种类型的策略：

• 确定性：处于给定状态的策略将始终返回相同的操作。

操作=策略（状态）

• 随机指标：输出操作的概率分布。

基于价值的方法：

在基于值的方法中，我们学习的不是策略函数，而是将状态映射到处于该状态的期望值的值函数。

状态的值是代理在从该状态开始时可以获得的预期折扣回报，然后根据我们的策略进行操作。

“按照我们的策略行事”只是意味着我们的政策是“走向价值最高的状态”