test

docs/11&12.md

@@ -211,7 +211,7 @@ POMDP 规划的一个主要思想是置信状态（belief state）$\tilde{s}$，
 类似于 MAB 情况，我们可以在可用动作中，选择一个最大化置信度上界的动作。
 
 $$
-a_t = \mathop{\arg\max}_{A} Q(s_t,a)+U_{1}(s_t,a)+U_{2}(s_t,a)，
+a_t = \mathop{\arg\max}_ {A} Q(s_t,a)+U_{1}(s_t,a)+U_{2}(s_t,a)，
 $$
 
 这里 $U_1$ 为策略评估中的不确定量，易于量化，$U_2$ 源于策略提升，通常难以计算。