【強化學習】值迭代和策略迭代
在強化學習中我們經常會遇到策略迭代與值迭代，但是很多人都搞不清楚他們兩個之間的區別，他們其實都是強化學習中的動態規划方法（DP）。 ——《Reinforcement Learning:An Introduction》
（一）值迭代
對每一個當前狀態 s ,對每個可能的動作 a 都計算一下采取這個動作后到達的下一個狀態的期望價值。看看哪個動作可以到達的狀態的期望價值函數最大，就將這個最大的期望價值函數作為當前狀態的價值函數 V(s) ，循環執行這個步驟，直到價值函數收斂。
（二）策略迭代
從一個初始化的策略出發，先進行策略評估，然后改進策略，評估改進的策略，再進一步改進策略，經過不斷迭代更新，直達策略收斂，這種算法被稱為“策略迭代”
References:
[1] 【強化學習】值迭代與策略迭代