Gt = Rt + gamma * Rt+1 + gamma^2 *Rt+2 , 对未来要加一个折现率， 未来预测值是有风险的，保守起见最好加个折扣。
状态St =s 的值为：
V(s) = E(Gt|St=s) , where Gt = Rt + gamma * Rt+1 + gamma^2 *Rt+2 + …
状态St=s，At=a时的值为：
Q(s,a) = E(Gt|St=s, At=a), where Gt = Rt + gamma * Rt+1 + gamma^2 *Rt+2 + …
on-policy TD算法：先从Q中（e-greedy）产生一个 S‘，A’， 刚开始可能是随机的。后边根据S,A的分布占比来生成一个新状态s’，a‘.利用更新
Q(S,A) = Q(S,A) + alpha* [R + gamma* Q(S’,A’) - Q(S,A)].利用策略生成的状态，动作，去更新新的Q值。
off-policy TD算法：先在Q中（e-greedy）从S随机产生一个A，王更新
Q-learning中， 在生成情节中， 状态S和A是随机产生的， 而在网络更新中， 下一个状态选用了最优的A对应的状态S‘去更新。
Q(S,A) = Q(S,A) + alpha* [R + gamma* maxQ(S‘,a) - Q(S,A)].