In den vorherigen Kapiteln haben Sie Politikbewertung und Politikverbesserung kennengelernt. Diese Prozesse ergänzen sich gegenseitig und werden natürlich in einem Rahmenwerk kombiniert, das als generalisierte Politikiteration bekannt ist.

Die meisten Methoden des Reinforcement Learnings lassen sich im Rahmen der GPI beschreiben. Die wesentlichen Unterschiede zwischen diesen Methoden ergeben sich aus den konkreten Umsetzungen der Politikbewertung und Politikverbesserung sowie aus der Art ihrer Interaktionen.

Interaktion zwischen zwei Prozessen

Politikbewertung und Politikverbesserung können je nach Perspektive sowohl als kooperative als auch als kompetitive Prozesse betrachtet werden:

• Kooperativ: Beide Prozesse verfolgen ein gemeinsames Ziel—die optimale Politik und Wertfunktion zu finden. Die Politikbewertung schätzt die Wertfunktion für eine gegebene Politik, während die Politikverbesserung die Politik auf Grundlage dieser Schätzungen verfeinert;
• Kompetitiv: Jeder Prozess hat widersprüchliche Ziele. Die Politikbewertung zielt darauf ab, die Wertfunktion für die aktuelle Politik genau zu schätzen, was häufig dazu führt, dass die Politik nicht mehr gierig ist. Im Gegensatz dazu passt die Politikverbesserung die Politik so an, dass sie gierig bezüglich der aktuellen Wertfunktionsschätzungen ist, wodurch diese Schätzungen typischerweise falsch werden. Dieses ständige Wechselspiel setzt sich fort, bis sowohl die Politik als auch die Wertfunktion ihre optimalen Formen erreichen.

Zusammenfassung

Generalisierte Politikiteration ist ein nützliches Rahmenkonzept, um zu verstehen, wie verschiedene Methoden des Reinforcement Learnings die MDPs lösen. In den kommenden Kapiteln wird erläutert, wie diese Konzepte angewendet werden können, um zwei grundlegende DP-Methoden zu entwickeln: Politikiteration und Wertiteration.