序贯决策是时间序列中，多个阶段需要连续决策，决策是分前后顺序的，前一步的选择直接影响后一步的选择，就像走迷宫一样，走错一步，可能后续就到了死胡同。上一篇笔记已经了解了一些基本概念。这一篇举一个实例。QLearning算法是一种强化学习中的异策略算法。所谓异就是action的策略使用贪婪策略，即选择的结果就是值最大的action，或者说最优的action。而状态行为（state_action）的策略