一、马尔科夫属性
马尔可夫属性（Markov property）是概率论中的一个概念。意思是当在一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态；其实也就是一句话，这个事件的状态的下一秒变化是由这个状态决定，和以前没关系。
二、马尔科夫链
马尔可夫链是一组具有马尔可夫性质的离散随机变量的集合 
他是一组概率转换的一组集合。其具有马尔科夫性质、存在离散指数集和状态空间的随机过程。如下面：
其马尔科夫链就是从这个图有四个状态，s1,s2,s3,s4这个相互转移。可以从任意状态开始，比如s1
- s1有0.1概率继续s1，有0.7概率变成s4, 0.2概率变成s2
其他依次类似
因此在数学中我们可以构建状态转移矩阵。
有状态转移矩阵去描述到其他节点概率
三、马尔科夫奖励过程
这个过程就是在原来马尔科夫链上加上一个奖励矩阵。也就是在上述所说的，我们四个过程，如果说我们这个过程到达s4节点就比较好我们就奖励他10个值。到达s1就奖励5即：[5,0,0,10]
我们在加上奖励之后，这个马尔科夫链就将会趋向于s1和s4了
四、马尔可夫决策过程（MDP）
在前面三种定义介绍之后，我们知道强化学习这是一个行为学习，所以我们要应该根据信息去做一些事情。因此我们就该加上一个行为，
在MDP中，我们为系统增加一个行为（action）变量 A t AtAt 与一个“奖励”（reward）变量 R ( t ) R(t)R(t) 。其中 A ( t ) A(t)A(t)代表了我们“主观能动性”的部分，相当于系统的“输入”；而 R ( t ) R(t)R(t) 代表着在 A ( t ) A(t)A(t)时刻我们采取的行动带来的回报，相当于系统的“输出”。
五、MDP
当我们定义了状态、动作、奖励等要素，并确定它们之间的转移关系具有马尔可夫性质时，就可以定义一个MDP。MDP由四元组而后面根据学习目标，我们可能会加上一个衰减因子的（在后文中介绍）< S , A , P , R > <S,A,P,R><S,A,P,R>即：
s：status（状态）
A：action（动作）
R：reward（奖励）
P：probability（状态转移）
根据图中人物小人，再根据每一刻状态时候，人物小人就会做出一定的决策，而每一刻，熊还是人他们都有不同行为概率的。我们就可把它变成树结构：
根据图片中结果，我们可以定义一个价值函数V去表示好与坏。
再知道他这个是好还是坏的时候，我们就可以记录下来之后，知道什么样的状态做什么样的事情了。我们把它用Q函数去表示。即：状态–动作值
1）Q-table
我们知道这个训练好的表格之后，这个表格就像小人的生活准则一样，遇到什么样的情况，记录之后查询，做出选择。他指导我们每一个行为动作。
2）折扣因子
在我们有的时候训练目标不同情况下，比如下棋过程， 训练迭代过程特别大，目标有点远，这样下去可能无数迭代，所以我们就加入一个折扣因子，能够加快我们步骤。
而在简单走简单迷宫时：迷宫比较小，我们就不需要加入，目标很近没必要加入了。
而我们的折扣因子一般在0----1之间的。因为我们要活在当下啊。赖以当情况学习。
3）时序差分（Temporal Difference）：
一种Q函数（Q值）的更新方式，也就是可以拿下一步的 Q 值 ,公式是：
4）SARSA算法：
一种更新前一时刻状态的单步更新的强化学习算法，也是一种on-policy策略。该算法由于每次更新值函数需要知道前一步的状态(state)，前一步的动作(action)、奖励(reward)、当前状态(state)、将要执行的动作(action)，即 这几个值，所以被称为SARSA算法。agent每进行一次循环，都会用
( S ( t ) , A ( t ) , R ( t + 1 ) , A ( t + 1 ) ) ( S(t), A(t), R(t+1), A(t+1) )(S(t),A(t),R(t+1),A(t+1)) 来对于Q值更新
本文后面还不完整，还需继续更新，感谢理解
最后。 文章中如有不足之处，请务必指出，一定迅速改正。谢谢
