为啥a有4个策略而b有3个策略？
看到下面（树->矩阵）这个就了然了：
强化学习的根本目的在于最大化奖励【optimize your long term expected reward(获得更多的奖励)】
MiniMAx
假设所有人都在寻求最优，达到最大化奖励
来吧，再加点不确定性进来~~愉快的玩耍吧~~~：
Von Neumann冯·诺依曼提出的，哇塞，大牛就是腻害！！无处不在~~
ok，之前都是纯策略问题，下面再来看看综合策略问题~上图
原文：http://www.cnblogs.com/sxbjdl/p/5561319.html