Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Impara Iterazione del Valore | Programmazione Dinamica
Introduzione al Reinforcement Learning con Python

bookIterazione del Valore

Sebbene l'iterazione delle politiche sia un approccio efficace per risolvere gli MDP, presenta un notevole svantaggio: ogni iterazione comporta una fase separata di valutazione della politica. Quando la valutazione della politica viene eseguita in modo iterativo, richiede molteplici passaggi sull'intero spazio degli stati, causando un notevole sovraccarico computazionale e tempi di calcolo più lunghi.

Una valida alternativa è l'iterazione dei valori, un metodo che unisce la valutazione della politica e il miglioramento della politica in un unico passaggio. Questo metodo aggiorna direttamente la funzione di valore fino a quando non converge verso la funzione di valore ottimale. Una volta raggiunta la convergenza, la politica ottimale può essere derivata direttamente da questa funzione di valore ottimale.

Come funziona?

L'iterazione dei valori funziona eseguendo un solo backup durante la valutazione della politica, prima di effettuare il miglioramento della politica. Questo porta alla seguente formula di aggiornamento:

vk+1(s)←max⁡a∑s′,rp(s′,r∣s,a)(r+γvk(s′))∀s∈Sv_{k+1}(s) \gets \max_a \sum_{s',r}p(s',r|s,a)\Bigl(r+\gamma v_k(s')\Bigr) \qquad \forall s \in S

Trasformando l'equazione di optimalità di Bellman in una regola di aggiornamento, la valutazione della politica e il miglioramento della politica vengono uniti in un unico passaggio.

Pseudocodice

question mark

In base al pseudocodice, quando si interrompe l'iterazione del valore?

Select the correct answer

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 8

Chieda ad AI

expand

Chieda ad AI

ChatGPT

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

bookIterazione del Valore

Scorri per mostrare il menu

Sebbene l'iterazione delle politiche sia un approccio efficace per risolvere gli MDP, presenta un notevole svantaggio: ogni iterazione comporta una fase separata di valutazione della politica. Quando la valutazione della politica viene eseguita in modo iterativo, richiede molteplici passaggi sull'intero spazio degli stati, causando un notevole sovraccarico computazionale e tempi di calcolo più lunghi.

Una valida alternativa è l'iterazione dei valori, un metodo che unisce la valutazione della politica e il miglioramento della politica in un unico passaggio. Questo metodo aggiorna direttamente la funzione di valore fino a quando non converge verso la funzione di valore ottimale. Una volta raggiunta la convergenza, la politica ottimale può essere derivata direttamente da questa funzione di valore ottimale.

Come funziona?

L'iterazione dei valori funziona eseguendo un solo backup durante la valutazione della politica, prima di effettuare il miglioramento della politica. Questo porta alla seguente formula di aggiornamento:

vk+1(s)←max⁡a∑s′,rp(s′,r∣s,a)(r+γvk(s′))∀s∈Sv_{k+1}(s) \gets \max_a \sum_{s',r}p(s',r|s,a)\Bigl(r+\gamma v_k(s')\Bigr) \qquad \forall s \in S

Trasformando l'equazione di optimalità di Bellman in una regola di aggiornamento, la valutazione della politica e il miglioramento della politica vengono uniti in un unico passaggio.

Pseudocodice

question mark

In base al pseudocodice, quando si interrompe l'iterazione del valore?

Select the correct answer

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 8
some-alt