强化学习(三) - 基于模型学习(DP)

上一节主要是引入了MDP(Markov decision process)的各种相关的定义与概念。最后得到了 最优状态值函数$v\ast (s)v\ast (s)v_{\ast }(s)$v(s)的值，…不断迭代直到策略收敛。策略迭代在每次改进策略后都要对策略进行重新评估，因此比较耗时。

参考：
动态规划求解MDP
周志华《Machine Learning》学习笔记（17）–强化学习

        </div>