《Reinforcement Learning: An Introduction》笔记
4.3 Policy Iteration
image.png
个人理解，这个算法的主要思路是：
（a） 首先任意初始化一个策略 ，和一个值函数
，
（b） 之后，通过Policy Evaluation不断迭代值函数v(s)，直到近似收敛(until delta < theta)，这一步的依据是式(4.5)：
的存在性保证了
的收敛性。最终得到的值函数
是
的近似。
(c) 得到策略及对应的值函数
可以看成是
后，通过policy improvement得到更优的策略，注意：
在有限马尔可夫决策过程中是一定可以取到的，因此在此时的值函数下，可以得到一个新的策略，这个策略在值函数V下比原来的策略更好，如果该新策略与原策略不同，则回到Policy Evaluation（b）步骤，确定新策略下的值函数，然后再执行Policy Improvement步骤，确定新值函数下更优的新新策略，如此循环反复，直到某k+1次Improvement后得到的策略函数与第k次得到的策略函数相同。
