fix：4.迁移学习与强化学习的公式修改

智能无人系统/4.迁移学习和强化学习在无人驾驶中的应用.md

@@ -189,7 +189,7 @@ $$
 
 #### 马尔可夫过程
 
-它是一个二元组 (S, P)，其中 S 为有限状态机，P 为状态转移概率矩阵，该矩阵为
+它是一个二元组 $(S, P)$ ，其中 $S$ 为有限状态机， $P$ 为状态转移概率矩阵，该矩阵为
 
 $$
 P =
@@ -201,11 +201,11 @@ P_{n1} & \dots & P_{nn}
 $$
 
 在强化学习中，问题被描述为一个马尔可夫决策过程 (Markov Decision Process, MDP)
-- 由一个元组<S, A, P, R>表示
-  - S 为有限状态空间集合， $s_t \in S$ 表示 t 时刻状态
-  - A 为有限动作空间集合， $a_t \in A$ 表示 t 时刻动作
-  - P 为状态转移概率，P(s'|s, a) 表示在状态 s 下执行动作 a 后，转移至下一状态 s'的概率
-  - R 为奖赏函数，执行完动作转移至下一状态时，奖励记作 R = r(s'|s, a)
+- 由一个元组 $<S, A, P, R>$ 表示
+  - $S$ 为有限状态空间集合， $s_t \in S$ 表示 t 时刻状态
+  - $A$ 为有限动作空间集合， $a_t \in A$ 表示 t 时刻动作
+  - $P$ 为状态转移概率， $P(s'|s, a)$ 表示在状态 s 下执行动作 a 后，转移至下一状态 s'的概率
+  - $R$ 为奖赏函数，执行完动作转移至下一状态时，奖励记作 $R = r(s'|s, a)$
 
     ![MDP 图解](./image/MDP图解.png)
 
@@ -272,7 +272,7 @@ $$
 - 累计回报并不简单，主要反映在计算的时间跨度
   - 有限时间，计算复杂但可计算
   - 无限时间，计算累积回报没有意义
-- 为了解决该问题，需要降低未来回报对当前时刻状态的影响，即对未来回报乘以一个 0-1 的系数
+- 为了解决该问题，需要降低未来回报对当前时刻状态的影响，即对未来回报乘以一个 $[0,1]$ 的系数
 
 将状态 $s$ 的期望值视为状态 - 值函数，数学表达为