马尔可夫决策过程是一个四元组（S, A, P, R），其中：

• S是状态集合，表示智能体（Agent）可能处于的所有状态；
• A是动作集合，表示智能体可以采取的所有动作；
• P是状态转移概率，描述了在当前状态下采取某个动作后转移到下一个状态的概率；
• R是奖励函数，描述了智能体在某个状态下采取某个动作后获得的奖励。

马尔可夫决策过程的一个重要特点是“无记忆性”，即未来只与现在有关，与过去无关。这种特性大大简化了决策问题的复杂度，使得我们可以通过动态规划（Dynamic Programming，简称DP）等方法来求解最优策略。

资料

强化学习