獎勵：0（無懲罰）-1（懲罰）1（鼓勵）

數(shù)學表達：

在狀態(tài)s1的情況下，采取行動a1，則獎勵為-1的概率為1：p(r=-1|s1,a1)=1

回報：獎勵的累計和

γ： 折扣率 [0 , 1)

MDP: 馬爾可夫

策略：π（a|s） 在狀態(tài)s時，選擇動作a的可能性是多少。