更改

在 MDP 中，智能体与环境的[https://zhuanlan.zhihu.com/p/568155357 交互过程]如下：

在 MDP 中，智能体与环境的[https://zhuanlan.zhihu.com/p/568155357 交互过程]如下：

(1)智能体观察当前状态 st​。

(1)智能体观察当前状态<math>s_t</math>​。

(2)根据策略 π，选择一个动作 at​。

(2)根据策略 π，选择一个动作<math>a_t</math>。

(3)环境根据状态转移概率 P，转移到下一个状态 st+1​，并给予智能体奖励 rt​。

(3)环境根据状态转移概率 P，转移到下一个状态 <math>s_{t+1}</math>，并给予智能体奖励 <math>r_t</math>。

(4)智能体根据获得的奖励和新的状态，更新策略 π，以期获得更高的累计奖励。

(4)智能体根据获得的奖励和新的状态，更新策略 π，以期获得更高的累计奖励。