强化学习算法
Q学习(Q-Learning)
Q学习是一种强化学习算法，用于解决智能体(agent)在与环境互动的过程中学习如何做出决策以获得最大的累计奖励。它属于无模型(model-free)强化学习方法的一种，这意味着Q学习不需要事先了解环境的具体模型，只需要通过与环境的交互来学习。
Q学习的目标是学习一个Q值函数，通常简称为Q表(Q-tabel)，其中包含了在每个状态下采取每个动作所获得的期望累计奖励。这个Q表使得智能体可以在每个状态下选择最佳的动作，从而最大化长期奖励。
Q学习算法思想：QLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作
| Q-Table | a1 | a2 |
|---|---|---|
| s1 | q(s1,a1) | q(s1,a2) |
| s2 | q(s2,a1) | q(s2,a2) |
| s3 | q(s3,a1) | q(s3,a2) |