Day 2211：強化學習

馬爾可夫獎勵過程（Markov reward process, MRP）是馬爾可夫鏈加上獎勵函數。在馬爾可夫獎勵過程中，狀態轉移矩陣和狀態都與馬爾可夫鏈一樣，只是多了獎勵函數（reward function）。獎勵函數 R 是一個期望，表示當我們到達某一個狀態的時候可以獲得多大的獎勵。這裏另外定義了折扣因子 γ。如果狀態數是有限的，那麼 R 可以是一個向量。