马尔科夫模型（Markov）（MDP）

马尔科夫模型主要元素有3个部分  状态，动作，奖励。

对奖励的设置一定慎重，并且深谋远虑。如下图右侧：

绿色方块是 生  红色方块是 死，游戏目的是使agent尽快到达绿色方块。

1：动作奖励正数过高，会使agent一直在方格世界里兜圈子，不想出去。因为这样每多走一步，都会获得正的奖励。

2：动作奖励负数过高，会使agent尽快想逃离这个世界，甚至直接走向红色方块，选择自杀。因为每一步损失都是巨大的，只能以最快的方式结束游戏。