马尔科夫模型
关于马尔科夫，可以认为是一个自动机，以一定的概率P在各个状态s之间转移，马尔科夫模型由状态、转移概率矩阵{s,p}两部分组成。
关于隐马尔科夫模型(HMM),比马尔科夫多了一个观测集合 O。可以认为是一个双重随机过程，状态之间的转移是随机的， 在某状态时的输出也是随机的。隐马尔科夫链由初始状态概率向量π、状态转移概率矩阵p、观测概率矩阵B三部分组成，{π,p,B}。马尔科夫和隐马尔科夫都具有无后效性，也就是系统的下一个状态之和当前的状态有关，和更早以前的无关。
马尔科夫决策过程(Markov Decision Process, MDP)，比HMM多了一个动作集合，也具有无后效性。但是相比于隐马尔科夫，MDP的下一状态s’不仅和当前状态s相关，还和当前状态下所采取的动作a相关。
马尔科夫决策过程，MDP
一个马尔科夫决策过程由一个元组构成： M = { S, A, Psa, R，γ}
- S, 状态集合， s ∈ S, si 表示 第 i 步的状态
- A, 动作集合， a ∈ A, ai 表示 第 i 步的动作
- Psa, 状态转移概率， Psa表示在状态 s 下，采取动作 a 之后的所转移到的状态的概率分布情况。
- R，回报函数，reward， 假设在 {s,a}的情况下转移到 s’,则定义其回报函数为 r(s’|s,a)。回报是根据状态和动作得到的,如果 s，a确定之后的 s’是唯一的，回报函数可以记作 r(s,a)。
- γ, 衰减因子， 0-1之间。
策略(policy),π
策略：π： S->A, ，指在t时刻，给定状态下，所能采取的动作的概率分布： 记作 π(a|s) = P(At=a | St=s),可以认为是状态到动作的映射，这也正是一个智能体(agent)所要学习的东西，策略完全决定了一个智能体(agent)的行为，MDP 的策略取决于当前状态。
给定一个MDP， M= { S, A, Psa, R，γ}，以及策略 π，则状态序列S1，S2，… 就是一个马尔科负过程{S, Pπ}。状态和回报序列 S1，R1，S2，R2，… 就是一个马尔科夫回报过程 {S,Pπ, Rπ, γ},而且有：
值函数，value function
强化学习的过程，就是学习环境状态到动作的映射，可以发现，这就是在学习一个能够获得最大回报的策略π。不过强化学习的回报是具有延迟性的，立即回报函数 r(s,a) 并不能完全确定策略的好坏，我们还必须评估未来的回报函数。
如果定义衰减回报和如下式所示,其中Ri是第i-1步的立即回报：
其中γ是衰减因子，决定了长期回报的重要性，γ为0时忽略长期回报，为1时，所有时刻的回报同等重要。
定义一个状态值函数 Vπ(s),来表示在状态s 下，策略 π的长期影响产生的回报:
状态值函数(state value function)如下：
再定义一个动作值函数(action value fucntion)，表示在状态 s 下， 采取动作 a 之后依照 策略 π所产生的期望回报:
需要注意的是，在状态值函数里，只有初始状态s和策略π是给定的，初始动作是由s和π决定的，而在动作值函数里面，初始状态s和初始动作a，策略π都是给定的。
其实上面两个值函数的定义方程也就是贝尔曼方程(Bellman exception equation)。
根据状态s下，采取动作a之后的状态转移概率，可以发现 状态值函数和动作值函数之间的关系如下所示：
将关系式带入原贝尔曼方程，可以得到贝尔曼方程变种，算是展开了的贝尔曼方程。。
优化值函数
优化值函数，就是寻找在任意初始条件下，能够最大化值函数的策略π*，
通过最大化状态值函数或者最大化动作值函数都可以:
关于贝尔曼优化方程(Bellman optimal equation)：
贝尔曼优化方程是非线性的，通过多次迭代求解贝尔曼优化方程可以求解MDP的最优策略。