马尔可夫决策过程MDP，是强化学习的基础。
MDP --- <S，A，P，R，γ>
AGENT
STATE
ENV
REWARD ，agent处于状态s下，采取action之后离开状态获得一个reward。
ACTION ，离散分布，或者连续分布。
VALUE ，有state value V(s)和state-action value Q(s,a)两种。
<强化学习>基本概念
原文：https://www.cnblogs.com/dynmi/p/12263570.html
