An MDP M is a five tuple hS,A, T,R,

An MDP M is a five tuple hS,A, T,R,i, where S is the state
space, A is the action space, T : S × A × S ! R is a transition function, R : S × A ! R is a reward function, and 0 < 1

ผลลัพธ์ (ไทย) 1:

ตัว M MDP เป็นห้าทูเพิล hS, A, T, R, i, S อยู่ที่รัฐพื้นที่ A คือ พื้นที่ดำเนินการ T: S ×× S R เป็นฟังก์ชันเปลี่ยน R: S × A R เป็นฟังก์ชันรางวัล 0 < 1

ผลลัพธ์ (ไทย) 2:

MDP M เป็นห้า HS tuple, A, T, R, I, ที่ S เป็นรัฐ
พื้นที่เป็นพื้นที่ดำเนินการ, T: S ×× S! R คือฟังก์ชั่นการเปลี่ยนแปลง R: S ×! R คือฟังก์ชั่นรางวัลและ 0 <1

ผลลัพธ์ (ไทย) 3:

การ MDP m เป็นห้า tuple HS , A , T , R , ฉัน , ซึ่งเป็นรัฐ
อวกาศ เป็นปฏิบัติการอวกาศ , t : S × a × S ! R คือการเปลี่ยนแปลงฟังก์ชัน , R : S × ! R เป็นรางวัลตอบแทนการทำงาน และ 0 < 1