3 如果环境也是随机的，最优策略是否总是随机的？ 如果环境也是随机的，最优策略是否总是随机的（即，从状态到动作的概率分布的映射）？ 直观地，如果环境是确定性的（即，如果代理处于状态sss并采取操作，则下一个状态始终相同，无论在哪个时间步长），那么最优策略也应该是确定性的（也就是说，它应该是状态到动作的映射，而不是动作的概率分布）。a一个as′s′s' 10 reinforcement-learning stochastic-policy deterministic-policy policy environment