Узагальнена Ітерація Політики

У попередніх розділах ви ознайомилися з оцінкою політики та покращенням політики. Ці процеси доповнюють один одного та природно поєднуються у рамках, відомих як узагальнена ітерація політики.

Більшість методів навчання з підкріпленням можна описати в рамках GPI. Основні відмінності між цими методами полягають у конкретних реалізаціях оцінки політики та покращення політики, а також у характері їхньої взаємодії.

Взаємодія між двома процесами

Оцінювання політики та покращення політики можна розглядати як кооперативні, так і конкурентні процеси, залежно від точки зору:

• Кооперативні: обидва процеси працюють задля спільної мети — знаходження оптимальної політики та функції цінності. Оцінювання політики оцінює функцію цінності для заданої політики, тоді як покращення політики вдосконалює політику на основі цих оцінок;
• Конкурентні: кожен процес має суперечливі цілі. Оцінювання політики прагне точно оцінити функцію цінності для поточної політики, що часто призводить до того, що політика втрачає жадібність. Натомість, покращення політики коригує політику, щоб вона була жадібною відносно поточних оцінок функції цінності, зазвичай роблячи ці оцінки некоректними. Це постійне протистояння триває, доки і політика, і функція цінності не збіжаться до своїх оптимальних форм.

Підсумок

Генералізована ітерація політики — це корисна концепція для розуміння того, як різні методи навчання з підкріпленням підходять до розв'язання MDPs. У наступних розділах буде розглянуто, як ці ідеї застосовуються для створення двох основних методів динамічного програмування: ітерації політики та ітерації значення.