差分

関数qは、ある状況sにおいて、行動aを選択した場合の結果を得点を返す。

このQ(s,a)関数の行動aを変えまくって最高得点が出るパターンを力技で見つけるというものである。

行動aの試行回数を多くすれば性能は次第に向上する。