Q-learning类似老鼠走迷宫的游戏，据说Q*还结合了A Star的搜索算法！
找了个迷宫解说先学习一下Q-learning再说！😂
爱学习的孩子可以看看！
Q-learning是一种强化学习算法，用于学习在给定状态下执行哪个动作以最大化某种形式的奖励或回报。在Q学习中，“Q”代表质量（quality），指的是执行特定动作带来的预期效益。
工作原理：
1.状态和动作：Q学习算法在一个由状态和动作组成的环境中工作。状态是环境的描述，动作是在这些状态下可以执行的操作。
2.Q表：算法维护一个Q表，这是一个查找表，用于存储每个状态-动作对的Q值（即该动作的预期效益）。
3.学习过程：当智能体（如机器人、软件代理）在环境中执行动作时，它会根据动作的结果（通常是奖励或惩罚）来更新Q表。这个更新过程是基于一种称为贝尔曼方程的数学公式。
举例说明：
假设有一个简单的迷宫游戏，智能体的目标是找到从起点到终点的最短路径。在这个例子中：
•状态：迷宫中的每个位置。
•动作：从一个位置移动到另一个位置（例如，向上、向下、向左、向右移动）。
•奖励：到达终点时获得正奖励，撞墙时获得负奖励。
智能体开始时对迷宫一无所知，它随机移动并从结果中学习。每次移动后，它更新Q表，记录在特定位置执行特定动作的效益。随着时间的推移，智能体学会识别哪些动作会带来更好的结果（比如更快到达终点），并开始优先选择这些动作。
结论：
Q学习的关键优势在于它不需要环境的先验知识，智能体通过与环境的交互学习最佳策略。这使得Q学习非常适合于那些模型无法提前了解所有可能状态的复杂环境。
