算法思想
Q-Learning是強化學習算法中value-based的算法，Q即為Q（s，a），就是在某一個時刻的state狀態下，采取動作a能夠獲得收益的期望，環境會根據agent的動作反饋相應的reward獎賞，
所以算法的主要思想就是將state和action構建成一張Q_table表來存儲Q值，然后根據Q值來選取能夠獲得最大收益的動作。
Q-learning的主要優勢就是使用了時間差分法（融合了蒙特卡洛和動態規划）能夠進行off-policy的學習，使用貝爾曼方程可以對馬爾科夫過程求解最優策略。
算法公式
參數介紹：
- Epsilon greedy：是用在決策上的一個策略，比如epsilon = 0.9的時候，就說明百分之90的情況我會按照Q表的最優值選擇行為，百分之10的時間隨機選擇行為。
- alpha：學習率，決定這次的誤差有多少是要被學習的。
- gamma：對未來reward的衰減值。gamma越接近1，機器對未來的reward越敏感