强化学习笔记（一）马尔可夫决策过程参考资料正文Q1: RtR_{t}Rt​, GtG_{t}Gt​, V(St)V(S_{t})V(St​)都有奖励或收获的含义，它们有什么区别？Q2：为什么GtG_{t}Gt​使用那样的衰减公式？Q3：贝尔曼方程的作用？Q4：π(a∣s)\pi(a|s)π(a∣s)和Pss′aP_{ss'}^{a}Pss′a​的区别？Q5： Vπ(s)V_\pi(s)Vπ​(s)

强化学习笔记（二）动态规划法求解MDPQ1：策略迭代和价值迭代的区别在哪？附：GridWorld游戏的MATLAB代码在MDP的内容中已经证明了一定存在best policy，并且递推公式是最终收敛到best policy的。那么动态规划是一个比较直观求解MDP的方法。我对于Dynamic Programming不是很了解，也没有刷过Leetcode的题目。很多文章在讲解的时候提到了“分治”，“递

强化学习笔记（二）动态规划法求解MDPQ1：策略迭代和价值迭代的区别在哪？附：GridWorld游戏的MATLAB代码在MDP的内容中已经证明了一定存在best policy，并且递推公式是最终收敛到best policy的。那么动态规划是一个比较直观求解MDP的方法。我对于Dynamic Programming不是很了解，也没有刷过Leetcode的题目。很多文章在讲解的时候提到了“分治”，“递

首先激活自己想要导出的Conda环境(假设环境名是my_environment）conda activate my_enviroment导出至environment.yaml文件中conda env export > environment.yaml在另一台电脑上复现conda环境conda env create -f environment.yaml前面只是导出了conda install