前言

 最近想开一个关于强化学习专栏，因为DeepSeek-R1很火，但本人对于LLM连门都没入。因此，只是记录一些类似的读书笔记，内容不深，大多数只是一些概念的东西，数学公式也不会太多，还望读者多多指教。本次阅读书籍为：马克西姆的《深度强化学习实践》。
 限于篇幅原因，请读者首先看下历史文章：
 马尔科夫过程
 马尔科夫奖励过程
 马尔科夫奖励过程二
 RL框架Gym简介
 Gym实现CartPole随机智能体
 交叉熵方法数学推导
 强化学习入门：交叉熵方法实现CartPole智能体

1、出发点

 原定本篇博客该介绍bellman方程的，但发现自己对于一些基础概念的计算和理解有点儿模糊，于是本篇先恶补一下目前RL所出现的一些基础概念，并搭配详细的计算公式。

2、示例

 这里以书中一个例子来说明一些概念，在上图中，每个灰色节点表示状态，每条边上实线圆表示状态转移概率，每个虚线圆则表示状态转移所获得的奖励。
 下面将举个视为片段的例子，在RL中也被称为“状态链”。
 片段：家–> 咖啡 --> 计算机 --> 家。
 在引入了片段后，就能解释何为“回报”定义了：
 这里先贴下回报公式，对于一个片段来说，在$t$时刻的回报定义为：
$$G_t=R_{t+1}+\gamma R_{t+2}+...=\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}$$
其中$\gamma$是超参数，$R_t$表示$t$时刻奖励。
 这里有个问题，对于一个智能体来说，可执行的状态链太多了，实际上回报应用的不太多，因此，这里引入了一个状态的期望回报(对大量状态链求回报的期望)，即状态的价值：
$$V(s)=E[G]=E[\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}]$$
 okay，现在拿到公式了，现在计算状态“家”的价值：

	家–>家	家–>咖啡
概率	0.6	0.4
奖励	1	1

 则根据价值的定义：总共有两个状态链：则家的价值为
$$V(家)=0.6\ast 1+0.4\ast 1=1.0$$
 按照同样的道理：能得到其余状态的价值：

$$\begin{gathered} V(coffee)=2\times 0.7+1\times 0.1+3\times 0.2=2.1 \\ V(computer)=2\times 0.7+1\times 0.1+3\times 0.2=2.8 \end{gathered}$$

 在上述例子中，你其实就是智能体，你可以自由选择3个状态，并执行某一个状态链，进而获得最大的奖励：则从众多的状态链中选择出一个回报最大的状态链，就是策略的选择，即$\pi (s)$。

 而智能体优化目标常常是：选择何种策略，通常会伴随选择执行什么样动作，使得$\pi (a|s)$最优。

总结

 本文只是介绍了一部分概念，后续会逐步添加新的概念，从感性上认识下RL的一些基础概念。