Q-learning使用即时奖励矩阵R来模拟环境。这意味着它使用已知的矩阵R进行学习，那么为什么人们会说＆＃34; Q-learning可以在未知的环境中工作＆＃34;？
答案 0 :(得分：2)
Q-Learning是一种算法，用于查找在马尔可夫决策过程（MDP）中选择最佳操作的策略。环境不仅由奖励定义，还由状态转移概率定义。 MDP不要求奖励是固定矩阵：它可以是任何功能。
如果所有状态和动作都知道状态转移概率和MDP的奖励，那么可以使用动态编程技术找到最优策略，因此您不需要强化学习。
与动态编程技术不同，如果奖励和状态转换概率未知，Q-Learning会起作用：也就是说，您只能在采取行动后看到奖励值。
Q-learning不使用即时奖励矩阵R，它只要求在状态a采取行动s后，它会收到状态s'和奖励值{{1} }。