文档摘要

3.2 策略优化 本节摘要：Control 目标：找最优 π 最大化累积回报。策略迭代（评估→贪心改进）与价值迭代（直接迭代 Bellman 最优方程）。GPI 框架：评估与改进交替逼近最优。 本节导航 写出策略改进的贪心规则 argmaxa Q(s,a) 对比策略迭代与价值迭代 说明 GPI 中评估与改进如何协同 问题驱动 现象：策略评估收敛了，但回报仍低 → 可能卡在次优 π，需策略改进。 会员。《3.2 策略优化》收录于灏天文库文集《强化学习入门：探索智能体的决策之路》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/481-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8%E6%8E%A2%E7%B4%A2%E6%99%BA%E8%83%BD%E4%BD%93%E7%9A%84%E5%86%B3%E7%AD%96%E4%B9%8B%E8%B7%AF

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流