它的核心是无后效性（Memorylessness），未来的状态仅依赖于当前状态和动作，与“过去的状态/动作序列”无关。当没有状态，只有一组最初未知奖励的可用动作时，这个问题就是经典的多臂老虎机（multi-armed bandit problem）。在每个特定时间点，智能体从环境结构一些观测（observation），并且必须选择一个动作（action），然后通过某种机制（有时称为执行器）将其传输

它的核心是无后效性（Memorylessness），未来的状态仅依赖于当前状态和动作，与“过去的状态/动作序列”无关。当没有状态，只有一组最初未知奖励的可用动作时，这个问题就是经典的多臂老虎机（multi-armed bandit problem）。在每个特定时间点，智能体从环境结构一些观测（observation），并且必须选择一个动作（action），然后通过某种机制（有时称为执行器）将其传输