>>282
ttp://www.sist.ac.jp/~kanakubo/research/reinforcement_learning.html
強化学習のひとつ
正解に至った場合、及びそれにいたる過程までの行動に対して報酬（スコアなど）を逐次与えていく。
報酬を何度も与えた（学習させた）後、各状態において高いスコアの方向に行動を選ばせるようにすると
その学習をさせたモノは最善の行動（最短のゴール）をするようになってくれる。
wikipediaでも概要が書いているでしょ。

小高知宏の本は買って読んだけど、そのサンプルコードは
Q(s,a)という変数から素直にコード化しておらず、
例題に合わせて変に捻ったコードだからわかり難い、
というか他の章のサンプル例もあんまり良くない。