这个是Q-learing的一个算法，根据代码，它就是，先设定训练100次，然后，给它一个随机的状态，这里我们假设状态6就是终点，那么走迷宫的时候，如果没走到6，就要一直走下去，，所以里面还要用到一个while循环，然后在每个状态的时候，找一个非负的动作，存储在数组里，（算是合理动作的集合吧），下一个状态的指针指向采取随意一个合理动作的结果，（就是合理的情况下随便走），然后从S状态到S'状态的Q(最佳动作)直接赋值给，原本reward+衰减值乘下一个状态的最佳动作的reward，接着状态更新，进入下一轮while循环。。。。。就是继续走迷宫，一轮学习尚未结束。。。
然后讲讲Sarsa
Sarsa是一个缩写，全称。。state，action，reward，state',action',是不是有点感觉了
Sarsa虽然代码看上去比较复杂，但其实逻辑上相对简单，与Q-learning共性的part不讲了，就是循环的那些，直奔主题，还是选择一个合理的动作存起来，接着进入重点，下一个状态state'还是赋值给随便一个合理动作，，接着再从下一个状态，再挑出几个合理动作，然后再随机挑选一个幸运观众成为action',然后，q(s,a)就会赋值为r+衰减值*q（s',a'）,毫无套路可言，一切按部就班，多么朴实啊，所以策略没有改变，然后策略更新，进入下一个状态