Presná definícia
Čo znamená iterácia politiky?
Iterácia politiky opakovane strieda vyhodnotenie aktuálnej politiky a jej zlepšenie podľa získanej hodnotovej funkcie. V konečnom diskontovanom MDP pri presných krokoch dospeje k optimálnej politike.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri malom plánovacom modeli tím presne vyhodnotí politiku, urobí greedy update a cyklus opakuje do stability. Výsledok preverí v scenároch s neistými prechodmi.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená iterácia politiky?
Iterácia politiky opakovane strieda vyhodnotenie aktuálnej politiky a jej zlepšenie podľa získanej hodnotovej funkcie.
Kedy sa iterácia politiky používa?
Pri malom plánovacom modeli tím presne vyhodnotí politiku, urobí greedy update a cyklus opakuje do stability.
Od čoho treba iterácia politiky odlíšiť?
Value iteration skracuje hodnotenie na aktualizácie optimálneho operátora; policy iteration explicitne udržiava a hodnotí politiku.
Ako sa iterácia politiky kontroluje?
Kontroluje sa konvergencia hodnotenia, zmena politiky, ties, diskont, terminálne stavy a numerická tolerancia.
Aké obmedzenie má iterácia politiky?
Pri približnom hodnotení vo veľkom priestore sa zlepšenie nemusí zachovať a iterácie môžu oscilovať.