这是本章在课程中的位置，属于基础工具中的最后一章，主要讨论了最优状态值（Optimal State Value）与最优策略（Optimal Policy），并介绍了对应的计算方法-贝尔曼最优方程（Bellman Optimality Equation，BOE）。
如果一个现有的策略不是最优的，那么如何提升呢？结论就是对策略进行改进。
比如起始状态是S1，当前的策略是在S1状态100%向右移动（S1上的右箭头）。但是通过对S1状态上各行为值的计算，可以看出来右移（A2）行为值取值并非最大，下移（A3）的行为值取值最大。
可以据此优化现有的策略，将策略在S1上的行为进行修改，从而增加整个策略的状态值。
状态值的作用就是用于衡量两个策略之间的优劣，如果对于同一个环境下，对于所有的状态s，策略Pi1的状态值均大于策略Pi2，则可以说策略Pi1由于策略Pi2，以下是相关的数学描述。
既然有了对比，那么会有一个策略Pi_star，它的状态值优于同一个环境下其他所有的策略，那么这个策略就叫做最优策略。
而计算获取最优策略的方法，就是贝尔曼最优方程，贝尔曼最优方程的形式如下。
与贝尔曼方程相比，前面多了个max符号，作用是从后续各种参数算出的结果中，找到最大的作为结果。这个跟最优化理论中的argmax不太一样，argmax指的是当后续函数取最大值时对应的参数。这个方程中的r，p（r|s,a），p（s'|s,a）等都是已知的，这表明整个环境信息是已知的，各状态的状态值是未知的，
贝尔曼最优方程的矩阵-向量形式为
对整个运算求max，等价于对每一行的运算求max
后面需要讨论的是，如何解这个方程，这个方程的解是否存在，方程的解是否唯一，以及如何将解转换成最优策略。
计算最优策略的方法是，首先固定住未来的状态值v(s')，仅计算当前状态值的最大值。
最后简化成了计算当前状态s下行为值期望的最大值，很显然最大值就是几个候选行为中，行为值最大的那个，下面是证明过程：
所以贝尔曼最优方程，这里通过简化，可以变成对当前状态值最大值的求解。
然后根据对相关行为值的计算，修改策略在当前状态下的行为选择。
贝尔曼最优方程，可以记作一个关于状态值v的方程，就是下面的v=f（v），因为前面的R_pi是当前状态下动作值的最大值（前面证过了）。
这里提出了一个新的概念，压缩映射或者压缩函数，指的是函数映射之后能缩小两个自变量之间的距离，数学表达如下
这个压缩函数或者压缩映射，存在一个固定点x_star，这个固定点的含义是x*=f（x*）。证明过程如下，主要是将自变量映射出的因变量，继续映射或者传入函数（一回事），这么不停的迭代，最后会逐渐收敛，整个迭代不会发生变化了。
回到贝尔曼最优方程，它的形式是
可以证明这个贝尔曼最优方程是一个压缩映射（证明过程用的是豆包）
那么根据压缩映射的性质，通过一个初始状态的状态值，通过迭代总会到一个固定点，既是最优点，这个方法叫做值迭代算法。
贝尔曼最优方程的解，其对应的策略就是整个环境的最优策略
最优策略的形式，就是每个状态都会100%选择行为值最大的策略。
那么对最优策略和最优状态值的决定因素是什么，是环境系统模型，奖励设置和折扣率。
奖励值决定了对一些行为的取舍，且奖励的绝对值大小并不重要，主要是各行为奖励的相对大小。而折扣率决定了策略的侧重，折扣率越接近于零则策略越短视，极端情况下降到零则可能永远到不了目标状态。
同时，最优策略也避免了绕路刷分的情况，因为通过折扣率完成了对绕路的惩罚，路径越长惩罚的越严重。
最后是本章的总结，贝尔曼最优方程的两种形式：元素形式与矩阵-向量形式。
通过压缩映射的性质，决定了贝尔曼最优方程可解，且解是唯一的。解贝尔曼最优方程的方法就是通过迭代法，结果会最终收敛。解贝尔曼最优方程的目的，是通过最优解找到最优状态值和最优策略。
