3
環境も確率的である場合、最適なポリシーは常に確率的ですか？
環境も確率的である場合、最適なポリシーは常に確率的（つまり、状態からアクションの確率分布へのマップ）ですか？ 直感的に、環境がある場合には、確定（エージェントが状態にある場合、であるsssと行動取るaaa、次の状態s′s′s'、そして最適なポリシーも決定論的である必要があり、常に同じで、どんなに時間ステップを） （つまり、アクションからの確率分布ではなく、状態からアクションへのマップである必要があります）。