接下来问题就是如何找到更好的策略了，找到更好的策略以后，然后带入该策略，再次进行迭代策略评估，这个过程不断循环得到最优策略。具体过程如下
策略评估获得了一个策略并产生值函数，然后我们使用该值函数和策略完善的方法，获得一个潜在完善的新策略，然后带入新策略再次进行策略评估，然后进行策略完善，不断重复，直到收敛于最优策略。
那么我们知道值函数以后如何求得更好地策略呢？
第一步，将状态值函数转化为动作值函数
第二步，选取最大动作值函数的动作
算法伪代码如下图表示
强化学习&动态规划2 | 策略完善 Policy Improvement
猜你喜欢
转载自blog.csdn.net/weixin_43236007/article/details/107856792
今日推荐
周排行