? ? ? ? ?策略是狀態(tài)到行為的映射，分為確定性策略（Deterministic policy）和隨機(jī)性策略（Stochastic?policy）。。策略（policy π），根據(jù)這個(gè)策略，agent知道在當(dāng)前狀態(tài)下要執(zhí)行的動(dòng)作 a = π（s）。

? ? ? ? 策略有兩種表示方法：

? ? ? ? （1）將策略表示為函數(shù)π：確定性策略（Deterministic policy）常用這種表示；即直接告訴agent要執(zhí)行的動(dòng)作，

? ? ? ? （2）概率表示π：隨機(jī)性策略（Stochastic policy）常用這種表示，隨機(jī)性策略是狀態(tài)s下產(chǎn)生的行為的概率分布，如：π（s，a）為狀態(tài)s下選擇動(dòng)作a的概率。

π（a|s）= p(A=a|S=s)

π（left|s）=0.2

π（right|s）=0.7

π（up|s）=0.1

? ? ? ? 如果讓agent 自主選擇，它就會(huì)做一個(gè)隨機(jī)抽樣,0.2的概率選擇向左，0.7的概率選擇向右，三種動(dòng)作都有可能發(fā)生，但是向右的概率最大，向上的概率最小。

? ? ? ? ?要是與人博弈，策略需要隨機(jī)，要不然別人知道你固定的套路，就有辦法贏。很多應(yīng)用里面policy最好是概率密度函數(shù)，動(dòng)作是隨機(jī)抽樣得到的，要有隨機(jī)性。

參考了：https://zhuanlan.zhihu.com/p/474791642