1. Q-Learning简介

行动准则：好的行为能够获得奖励，不好的行为会获得惩罚。
假设你有两个选择：写作业和看电视。你选择连续看电视，被爸妈发现打屁股。你吸取了惨痛的教训，第二次持续认真的写作业。

 举例，之前没有写过作业，所以没有任何经验。第一个状态可选择写作业也可以选择看电视。假设第一个状态是写作业，写一会儿就去看电视了，这时候状态由写作业变为了看电视，直到父母回来发现我在看电视，然后把我痛打了一顿，我记住了这次教训。

 假设我们的行为准则已经学习好了。

2. Q表

Q-learning有一个Q表，如图所示：

表中是每一个状态（s1，s2，……）以及所对应的所有动作（a1,a2,……）的“Q值”，Q值可以表示当前状态下选择对应动作的回报。
Q表的作用是什么呢？
假设Q表已经存在，我们选择初始状态为s1（放学回家），动作的选择则是Q表中s1​状态对应Q值最大的动作a2（写作业），然后自动转移到状态s2（写作业中）,再次根据Q表选择动作a2（写作业）……以此往复。

下面，我们来看下下面这张表是通过什么方式更新的。

3. Q表的更新

还是上面的过程，当我们通过Q表（左下角）选择动作a2​后，到达s2​状态。达到s2后，我们并没有采取实际的行动。想象一下处于s2的状态时，会采取的每种行动。
上图中maxQ(s2)其实是Q(s2​,a2​)，即当前状态可能达到的最大Q值，它是在还未采取第二次行动之前做的估计，γ是衰减因子，表达的是未来值对现在影响的大小。R表示状态s1下选择动作a2​的立即奖励（假设现在R为0，因为还没写完作业不能给奖励），得到真实的Q(s1​,a2​)值。Q表中原来的值即为估计值，差距（也就是需要调整的部分）=真实Q值-原来Q值。
最后更新的Q值 = 原来的Q值 + α∗差距，其中α为学习率（影响学习速度）。

注意：maxQ(s2)是在s2做出下一步动作之前的值。

4.Q-Learning算法

有趣的是，Q(s1​,a2​)的现实值实际上包含Q(s2)的最大估计（Q(s2​,a2​)估计），将对下一步衰减的最大估计和当前所获得的奖励当成这一步的现实（指上图中的），更新过程就是上面所描述的过程。
算法第5行，状态s选择动作a时，使用的是ϵ−greedy方法，比如ϵ=0.9，就有0.9的概率选择最大Q值动作，但是也有0.1的概率选择任意的其他动作，目的是加入一定随机性，遵循广泛采样的原则。

是学习效率，决定这次有多少误差要被学习。是一个小于1的数字。

γ是对未来奖励的衰减值。 

5.衰减因子γ

如上图所示，Q(s1)的估计不仅仅只有s2这个状态，按照同样的规则持续展开，可以发现，其与后续状态s3、s4……都有关系，这些都能够用来估计实际Q值。
当γ=1时，相当于完全考虑未来的奖励，没有忽略。能够看清楚未来行为的所有价值。
当γ⊆(0,1)时，数值越大，对未来情况的重视程度越大，可以说智能体越有“远见”。
当γ=0时，完全不考虑将来的情况，只有当前的回报值。看不到未来行为的奖励。