MDP：马尔科夫决策过程（Markov Decision Process）
上节说到，这是对于确定性动作的模型。如果随机性动作的模型，应该表示为
即，执行动作后的状态有多个，按照概率乘以值函数得到上式。
因此，当前状态最优执行动作就是
对于每个状态都有一个Vπ(S) ，所以对于每一步来说，可以得到如下递推的形式：
MDP：马尔科夫决策过程（三）
原文：http://www.cnblogs.com/coolalan/p/4353085.html
，这是对于确定性动作的模型。如果随机性动作的模型，应该表示为
