知识卡片

普通读书笔记卡 · 2700.e.1.a.1.b.2 · 生成模型:未记录

策略迭代交替评估改进

理解等级:中级

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?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    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