Вивчайте Ітерація Політики | Динамічне програмування

Ідея, що лежить в основі ітерації політики, є простою:

Взяти початкові $\pi$ та $v$ ;
Використати оцінювання політики для оновлення $v$ , доки воно не стане узгодженим із $\pi$ ;
Використати покращення політики для оновлення $\pi$ , доки вона не стане жадібною відносно $v$ ;
Повторювати кроки 2-3 до збіжності.

У цьому методі часткові оновлення відсутні:

Під час оцінювання політики значення оновлюються для кожного стану, доки вони не стануть узгодженими з поточною політикою;
Під час покращення політики політика стає жадібною відносно функції значення.

Псевдокод

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 7

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Completion rate improved to 2.7

Свайпніть щоб показати меню

Ідея, що лежить в основі ітерації політики, є простою:

Взяти початкові $\pi$ та $v$ ;
Використати оцінювання політики для оновлення $v$ , доки воно не стане узгодженим із $\pi$ ;
Використати покращення політики для оновлення $\pi$ , доки вона не стане жадібною відносно $v$ ;
Повторювати кроки 2-3 до збіжності.

У цьому методі часткові оновлення відсутні:

Під час оцінювання політики значення оновлюються для кожного стану, доки вони не стануть узгодженими з поточною політикою;
Під час покращення політики політика стає жадібною відносно функції значення.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 7