决策过程
s(state)——状态
a(action)——动作
r(reward)——奖励
根据每个状态下的动作得到的奖励值，列出Q表。
如下图中，在s1状态下，动作a1的奖励值为-2，动作a2的奖励值为1，-2<1，我们选择回馈较高的动作a2；同理，在s2状态下，动作a1的奖励值为-4，动作a2的奖励值为2，-4<2，我们选择回馈较高的动作a2.
Q表更新原则：
γ——衰减值
α——学习效率
在状态s1中，由于动作a2得到的奖励值比动作a1大，我们选择采取动作a2，此时状态变为s2。这时候s2还没有动作，而是根据Q表估计 (s1, a1) 和 (s1, a2) 的奖励值。
算法：
问题
为什么需要衰减值和学习效率？
