强化学习（Reinforcement Learning）发展密切相关的一个方法就是马尔可夫决策过程（Markov Decision Processes，MDPs），这是一种离散随机过程（discrete-time stochastic control processes），它提供了一个数学框架，用于在结果部分是随机的、还有部分受决策者控制的情况下对决策进行建模。说白了，就是一种问题建模方法。它不是一种解决方法，而是针对某些问题进行建模，一旦建模完成，就可以使用例如动态规划的方法来解决这些问题。

马尔可夫决策过程可以用来描述强化学习的“环境”，且这个环境是完全可观测的（fully observable）。几乎所有的强化学习问题都可以用MDPs来形式化：

• 最优控制可以使用连续MDPs来处理
• 部分可观察问题可以转换成MDPs
• 赌博机（Bandits）问题是有一个状态的MDPs

因此，马尔可夫决策过程对于学习强化学习来说是必不可少的基础部分。本文将简要介绍这个模型及其变种马尔可夫奖励过程（Markov Reward Processes）。为了帮助理解马尔科夫决策过程，我们将从问题例子入手，讲述如何使用这个方法对问题进行建模。

一、马尔可夫性质、马尔科夫链、马尔可夫过程和马尔科夫决策过程的区别

这些名词都涉及到马尔可夫，很多时候对于刚接触的人来说容易混淆，我们先开始说一下它们的区别。

马尔可夫性质（The Markov Property）是概率论里面一种非常著名的概念，本科的概率论与数理统计以及研究生的随机过程都有涉及。马尔可夫性质指出，未来只取决于现在，而不取决于过去。

基于马尔可夫性质可以推导出很多模型，其中，马尔可夫链（Markov Chain）就是基于马尔可夫性质所得到的最著名的概率模型之一。

马尔可夫链是一个概率模型，它完全取决于当前状态，而不是以前的状态，也就是说，未来有条件地独立于过去。从一种状态移动到另一种状态称为转移，其概率称为状态转移概率。马尔科夫链通常可以用来刻画一种状态转换成另一种状态的过程，是一种经典的随机过程。

马尔可夫链是一个离散时间过程，考虑到过去和现在，未来的行为只取决于现在，而不取决于过去。马尔可夫过程是马尔可夫链的连续时间版本。许多排队模型实际上是马尔可夫过程。

而马尔可夫决策过程则是马尔科夫链的一个推广形式。它为建模决策情况提供了一个数学框架。与马尔科夫链里面只涉及状态转移概率不同，马尔科夫决策过程引入了行为或者叫动作（action）的概念。例如我们有一个离散的马尔科夫链，在链上的每一个步骤，我们都可以根据状态转移概率矩阵来决定下一次的行动。现在，在状态转移之前，我们引入一组操作，并且每个操作也都有一个概率。这就像我们找了一个代理人，这个代理人会帮助我们在转移状态之前选择执行一个操作，而不是像之前一样直接根据状态转移概率进行状态转换。执行完这个操作之后，我们可以给代理人一个奖励（reward），并且代理人转到下一个状态中。也就是说，与马尔科夫链的状态转移完全依赖于状态转移概率矩阵不同，马尔科夫决策里面引入了行动和奖励的概念，将状态的转移变成了一个部分可控的过程。

可以看到，马尔可夫决策过程比马尔科夫链多了一个action的选择，并且多了一个奖励（reward）概念，而这个reward的设置与计算就可以促使代理人选择合适的动作，以最终影响到reward，进而最大化我们的目的，这也就是强化学习的思想了。

二、实际案例

2.1、马尔科夫链的实例——学生马尔科夫链

David Silver是Deep Mind的研究科学家，也是University College London的教授。他在自己Reinforcement Learning课上举了一个例子。

如上图所示，是使用图的形式表示学生的状态和状态转移的情况，这就是马尔科夫链，是一个学生所有可能的状态以及状态之间的转移概率。可能的状态如下：

1. Facebook：浏览Facebook
2. Class 1：学生学习课程1
3. Class 2：学生学习课程2
4. Class 3：学生学习课程3
5. Pub：学生在酒吧
6. Pass：学生通过课程
7. Sleep：学生在睡觉

上述7中状态是学生可能的状态，其中Sleep是最终状态，也就是说到了这个状态，学生的行为停止。剩下的6中状态，学生处在任意状态，那么下一个时刻，他都可能沿着箭头方向转变成另个一状态。例如学生在学习课程1（Class 1），那么他又0.5的概率接下来去浏览Facebook，也有0.5的概率继续学习课程2（Class 2）。

像上面这种学生行为的转换，或者说是状态的转换就是一种连续决策的状态。这种马尔科夫链刻画的学生行为决策，不管学生处在哪一个状态，我们都能知道他转换到下一个状态（或者说采取的下一个行动）都是一个概率分布，且仅与当前的状态有关。而这种状态转移的概率可以很容易用一个矩阵表示，也就是状态转移概率矩阵。如下图所示：