知识卡片
策略迭代交替评估改进
先固定 π 求 Vπ,再按由 Vπ 回推得到的动作价值逐状态作贪婪选择。只改第一步即可保证回推不低于旧策略,重复同样选择得到改进后的策略。格子世界中所有动作的步代价相同且转移确定,因此可直接比较后继价值。
关联:[[同步评估每轮读取旧值]]。评估是策略迭代的一半,另一半用结果改进动作。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 3.2 策略迭代
原书出处 · 1 处
- 3.2 策略迭代 · 查看原书依据
随后依据新的价值函数得到新的贪婪策略,随后计算新的贪婪策略下的价值函数
参考来源
- 位置:《强化学习入门:从原理到实践》第3章《3.2 策略迭代》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter18.xhtml`,body 子元素 11
- 结论依据:原文把策略评估与贪婪改进组成循环。
- 原始内容:随后依据新的价值函数得到新的贪婪策略,随后计算新的贪婪策略下的价值函数