强化学习之策略迭代 10

假设智能体已经知道该环境的所有信息，因此智能体知道该环境如何决定下个状态，并知道该环境如何得到奖励。 在这个图中，智能体已经知道了关于该环境的所有信息如图所示，目标是从左上角到达右下角。图中右边的等式表示为每个状态下采取不同动作的概率都为1/2, 通过贝尔曼方程得到了下面四个等式，因为S4是终点所以值为0. 联立方程组求得每个状态价值函数的值为0,2,2,0. 但是通常状态空间要大很多，解方程组的

>>阅读原文<<