【強化學(xué)習(xí)】值迭代和策略迭代

在強化學(xué)習(xí)中我們經(jīng)常會遇到策略迭代與值迭代，但是很多人都搞不清楚他們兩個之間的區(qū)別，他們其實都是強化學(xué)習(xí)中的動態(tài)規(guī)劃方法（DP）。 ——《Reinforcement Learning:An Introduction》

（一）值迭代

對每一個當(dāng)前狀態(tài) s ,對每個可能的動作 a 都計算一下采取這個動作后到達的下一個狀態(tài)的期望價值。看看哪個動作可以到達的狀態(tài)的期望價值函數(shù)最大，就將這個最大的期望價值函數(shù)作為當(dāng)前狀態(tài)的價值函數(shù) V(s) ，循環(huán)執(zhí)行這個步驟，直到價值函數(shù)收斂。

---

?

（二）策略迭代

從一個初始化的策略出發(fā)，先進行策略評估，然后改進策略，評估改進的策略，再進一步改進策略，經(jīng)過不斷迭代更新，直達策略收斂，這種算法被稱為“策略迭代”

?

?

?

---

?

References:

?[1] 【強化學(xué)習(xí)】值迭代與策略迭代

?

?

?

轉(zhuǎn)載于:https://www.cnblogs.com/xxxxxxxxx/p/11536460.html

總結(jié)

以上是生活随笔為你收集整理的强化学习——值迭代和策略迭代的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。