I tidigare kapitel lärde du dig om policyevaluering och policyförbättring. Dessa processer kompletterar varandra och kombineras naturligt i ett ramverk som kallas generaliserad policyiteration.

De flesta metoder inom förstärkningsinlärning kan beskrivas inom ramen för GPI. De viktigaste skillnaderna mellan dessa metoder beror på specifika implementationer av policyevaluering och policyförbättring, samt karaktären på deras interaktioner.

Interaktion mellan två processer

Policyevaluering och policyförbättring kan ses som både samarbetande och konkurrerande processer, beroende på perspektivet:

• Samarbetande: båda processerna arbetar mot ett gemensamt mål—att hitta optimal policy och värdefunktion. Policyevaluering uppskattar värdefunktionen för en given policy, medan policyförbättring förfinar policyn baserat på dessa uppskattningar;
• Konkurrerande: varje process har motstridiga mål. Policyevaluering syftar till att noggrant uppskatta värdefunktionen för den aktuella policyn, vilket ofta gör att policyn inte längre är girig. Omvänt justerar policyförbättring policyn till att vara girig med avseende på de aktuella värdefunktionsuppskattningarna, vilket vanligtvis gör dessa uppskattningar felaktiga. Denna ständiga dragkamp fortsätter tills både policyn och värdefunktionen konvergerar till sina optimala former.

Sammanfattning

Generaliserad policyiteration är ett användbart ramverk för att förstå hur olika metoder inom förstärkningsinlärning angriper lösningen av MDP:er. I de kommande kapitlen kommer du att utforska hur dessa idéer kan tillämpas för att skapa två grundläggande DP-metoder: policyiteration och värdeiteration.