增强学习： 通过agent和environment交互
公式化：
Markov property: 未来与过去无关，只取决于现在（前提是现在充分可观测）
由于含有随机性，采用最大化期望值来确定pi
value function：给定初始态，reward的加权期望值
Q value function：给定初始态和初始行为，reward的加权期望值
-----------------------------------------------------------------------------------------------