马尔可夫属性(The Markov Property)
说到马尔可夫决策过程，我们先来谈谈什么是马尔可夫属性。马尔可夫属性的概念为：下一个状态或奖励仅仅与当前的动作或状态有关，与历史(过去)的选择无关，即，
马尔可夫决策过程
马尔可夫决策过程即为在满足马尔可夫属性的前提下，进行强化学习的过程。也就是说，在马尔可夫决策过程中，要有强化学习的组成部分(如：policy, action, reward等)。
列1: (垃圾回收机器人)
垃圾回收机器人基于自己电池的含量来决定相应的动作。当电量很高的时候，机器人可以在路上到处寻找垃圾来进行回收，也可以呆在原地不动，等着人类把垃圾送进自己的肚囊。如果电量很低的话，机器人可以选择去充电，也可以选择呆在原地不动，同时，仍然可以选择花费更多的电力去得到垃圾。
机器人在不同的状态下采取不同的动作会得到相应的奖励。如图所示：
根据表格可知，第一列表示的是当前的状态，第二列表示的是执行动作之后的状态，a表示的是动作，倒数第二列代表执行相应动作的概率，也就是transition state probability。最后一列代表采取该行动赢得的奖励。若当前状态为low，且仍然执行search动作导致机器人没电，需要人为充电的话，其reward为-3。
该马尔可夫决策过程图如下所示：
空心的圆点代表回收机器人的电池状态(state)，实心圆点代表机器人所做的动作(action)。
值函数(Value Functions)
上一节我们已经说过，值函数是用来评估Agent做的有多好。其值函数的评判标准有两个。第一个是根据所在的状态来评判Agent做的好坏(state value)，另外一个则是在给出状态和动作的条件下来评判Agent做的好坏(action value)。
首先，我们先来说一说第一则评判准则(State Value)，其公式为：
第二则评判准则(Action Value)，其公式如下：
两项评判准则的后推图(Backup，并不是备份的意思，我们可以将其理解为deep learning中的Backpropagation的含义)如下所示：
图中空心圆代表的是状态(state)，实心圆代表的是动作(action)，s代表的是当前的状态，s'代表的是采取行动a之后的状态，a'的含义雷同。由以上公式可知，我们所求的是在特定状态和动作条件下相应的期望(期望大部分用平均值来表示)。因此，在Backup Diagram中，每一个节点都存在着多个分叉(即多个可能性)。
我们先来看State Value Function，它的注意力主要集中在转变状态之后所得到的回报。State Value Function公式根据Bellman Equation推导，最终得到由三部分组成，其依次分别为policy公式(表示在s状态下采取a行动的概率)、transition-state probability公式(表示在s状态下采取a行动之后转变成s'状态并得到回报值r的概率)和回报值(reward)。根据公式可以看出，当前状态下的State Value需要通过下一个状态s'的State Value来计算得到。因此，我们就需要用到后推算法(Backup)来进行更新，即如上图所示。
Action Value Function与此类似，不同之处在于其主要考虑采取行动时得到的回报。同理，Action Value Function也可以通过Bellman Equation来进行推导(下一节会讲到)，最终得到的公式同样与下一个动作a'得到的回报有关。
最优值函数(Optimal Value Functions)
上一节中，我们已经知道了如何去求我们的Value Functions。那得到最优值其实也就是去寻找其相应函数的最大值，即：
Reference
1. Reinforcement Learning An Introduction
