值迭代、策略迭代

值函数

策略: 状态s到动作a的映射： π:S→A
值函数：值函数都是对应于特定的策略的，即 Vπ
对于策略 π ，状态s的值函数：

Vπ(s)=E[R(s0)+γR(s1)+γ2R(s2)+...|s0=s,π].

也可表示为Bellman形式，是一种迭代思想：

Vπ(s)=R(s)+γ∑s′∈SPsπ(s)(s′)Vπ(s′).

其中 Psπ(s)(s′) 表示对应于策略 π 的状态转移概率，即从s转到s’的概率

最优的值函数

对于某状态s的最优值函数用 V∗(s)
定义如下：
V∗(s)=maxπVπ(s).
由上式可知，最优的策略 π 对应最优的值函数、

写成Bellman方程就是：

V∗(s)=R(s)+maxa∈Aγ∑s′∈SPsa(s′)V∗(s′).

最优的策略

用 π∗ 表示
在某一状态s下的最优策略定义如下：

π∗(s)=argmaxa∈A∑s′∈SPsa(s′)V∗(s′).

值迭代

策略迭代

其中 V:=Vπ 的计算可根据第一节值函数的定义计算