1、策略迭代、价值迭代、泛化迭代的前提条件：智能体知道环境的状态转移概率，即是基于模型的问题2、蒙特卡洛方法采样：随机采样估计期望值，通过样本序列逼近真实的期望值。 成立原因：大数定理。3、探索和利用，探索指的是不拘于当前的表现，选择不同于当前策略的行动；利用是持续使用当前的最优策略，尽可能的获得更多的回报。4、蒙特卡洛方法的缺点：估计值的方差大。估计值方差大则均值收敛需要..._强化学习第七章