知识卡片

普通读书笔记卡 · 10032.d.1 · 生成模型:GPT-6

策略迭代交替评估和改进

理解等级:中级

已知转移与奖励时,用贝尔曼方程以即时奖和后继状态值更新当前值。策略迭代先评估目前的策略,再逐状态贪心改进。价值迭代则直接把取最大动作值写进 Bellman 更新。有限状态与收敛条件应在求解前明确。

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:《机器学习观止:核心原理与实践》第15章《深度强化学习》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter15.xhtml`)。 - 结论依据:第 15.3 节用四乘四网格展示相邻状态值和改进后的方向。 - 原始内容:评估在当前Policy下的各状态的值