Вивчайте Ітерація Політики | Динамічне програмування

Ідея ітерації політики є простою:

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

У цьому методі немає часткових оновлень:

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

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

Suggested prompts:

Can you explain what policy evaluation and policy improvement mean in this context?

What does it mean for a policy to be "greedy" with respect to a value function?

Can you walk me through the pseudocode step by step?

Completion rate improved to 2.7

Свайпніть щоб показати меню

Ідея ітерації політики є простою:

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

У цьому методі немає часткових оновлень:

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

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 7