今天是强化学习的简单介绍。个人理解的强化学习目标就是找到获得最大奖励的策略（特定状态下应该怎么采取行动）。但为了防止不收敛（毕竟存在一种极端情况，随着作出的策略增多“获得奖励”的速度减缓，但整体仍然无限增多的情况）而导致的无限运行无法收敛，需要一个折扣因子来“削减”即得的奖励来防止过度追求最大奖励导致大量昂贵的时间成本被花费在追求这些“微不足道”的奖励上。求解所需作出的策略有两种形式，第一种是确定性策略一种是随机性策略，确定性策略是直接的最终作出的策略结果（虽然没讲(也可能讲了我没听懂)但个人推测是类似以前一样随机性策略加上一个激活函数），随机性策略是作出各种策略的概率。