问基于MDP的强化学习实现收益优化

EN

我想将在飞机上销售座位的服务建模为MDP(马尔可夫决策过程)，以使用强化学习来优化航空公司的收入，为此，我需要定义什么:状态、行动、政策、价值和奖励。我稍微考虑了一下，但我认为还是缺少一些东西。

我这样建模我的系统：

• States = (r,c)，其中r是乘客数量，c是购买的座位数量，所以r>=c.
• Actions = (p1,p2,p3)是3个价格。目标是决定他们中的哪一个给revenues.
• Reward:带来更多的收入。

你能告诉我你的想法并帮助我吗？

在模型化之后，我必须实现所有的智慧强化学习。有没有做这项工作的包？