---

前言

参考：
《动手学强化学习》作者：张伟楠，沈键，俞勇
动手学强化学习 网页版
动手学强化学习 github代码
动手学强化学习 视频
强化学习入门这一篇就够了！！！万字长文（讲的很好）
+
参考：
强化学习入门（第二版）读书笔记

小总结（前文回顾）

先简单总结一下第一章所学的知识点：
我做了一个思维导图很方便理解
之后学习完会在这里一直更新。

这里2、3、4章作者讲的非常好，就是得多读几遍，这里只做下当时学习时没弄明白的笔记。

补充一下：第2、3、4章要下载的库
#第2章
pip install numpy
pip install matplotlib
#第4章
pip install pygame
pip insatll gym

第二章 多臂老虎机

第二章的代码基本上认真看都能看懂，和伪代码一对照看，很容易就看懂了。

random.uniform(x, y) 是指在均匀分布下（所有值出现的概率相等），随机生成[x,y]内的浮点型数，包含x和y。

2.2.2形式化描述

这里"R(·|a)"通常表示在给定条件"a"的情况下，某个随机变量的概率分布函数。这里的”·"是一个占位符，代表随机变量的可能值。例如，如果我们有一个随机变量X，那么"R(x|a)"将表示在条件"a"下，随机变量X取值为x的概率。

第三章 马尔可夫决策过程

3.6 占用度量 代码

占用度量定义：

问题：红色箭头和公式对不上

这一部分的估计实际概率就相当于

原因：
这样就和公式对应了。

3.6 占用度量 定理2

问题 ：不理解这个定理2是什么意思。

目前自己理解为：
分母上的a’为：除了状态s目前的动作a外的其他动作。
这里分母为能访问到状态s下的其他动作的概率的和。

但没有具体程序，也没有实际例子，不能断定。

第四章 动态规划算法

4.3.3 策略迭代算法 代码

公式为：

问题：
1、是因为这个环境是基于模型的，所以要乘以状态转移概率吗？
2、这里+= 用了累加，可公式中只有对状态转移函数进行了累加求和，这个r回报没有进行累加求和，为什么代码里用了+=的形式，而不是先+=后面的状态转移函数再进行单独的相加r？

原因：这里的r(s,a)根据先前书上的定义，r(s,a)=E(r|S=s,A=a),也就是说这个已经是求过期望后的了。
如果它是求过期望前：则公式为这样：

那么两个问题就迎刃而解了。这里qsa有点迷惑性质
1、这里的p对应的是p(s’|s,a)。
若不是基于模型的，或者说不是这个算法的，大概率是没有这个p的，看每个算法的公式异同了。
2、这里的累加放在这里就对应第二个累加求和的符号。

总结

其余代码多看两遍就理解了，和伪代码都对的上。