1.Policy Evaluation(Prediction)

　　假如环境模型是完全知道的（就是知道环境的Dynamics），那么就可以将Bellman方程作为更新的原则来求的贝尔曼方程解，进而获得状态值函数vπ的解。其中计算状态值函数vπ就叫做Policy Evaluation。

 

　　另外，当k趋近于无穷的时候，vk收敛于vπ。这种算法是iterative policy evaluation。在DP中，所有的更新都是expected 更新，因为他们是建立在所有的后继状态上的更新，而不仅仅是一个sample到的后继状态。

2.Policy Improvement

　　根据原始的policy的value function采用greedy的方法，改进原始policy，这个过程就叫做policy improvement。

3.Policy Iteration

 

 4.Value Iteration

　　Policy iteration 要先等到vk收敛到vπ后，才能进行policy improvement；而Value iteration是Bellman 最优方程的变形，即讲Bellman最优方程当做更新的规则。Value Iteration和Policy iteration 大体相同，只不过是在Evaluation的时候，采取的action是所有action中最大的。

5.Generalized Policy Iteration

 

 在Policy Iteration中，我们是在Evaluation之后再进行improvement。但是没必要这么做，我们可以在每一次迭代计算Evaluation的时候，就可以进行improvement。所有的强化学习算法都可以表述为GPI,Evaluation和Improvement可以看做是竞争和合作的关系，根据当前的值函数将Policy变得greedy，则会使得当前的值函数不适用于当前的Policy；将Value function当前的Policy保持一致，则有使得Policy不具有greedy性质。但是，长远看来，他们都会走向相同的终点，最优的Value function和最优的Policy。

6.总结

　　GPI是所有强化学习的核心思想，它包括两个部分。一个部分是进行Policy Evaluation，即给定Policy，不断的去更新Vaule function，使得Value function收敛到真正的Policy Value Function。另外一个部分是Improvement，即给定Value Function，假设它是自己的Value Fucntion的情况下，采用greedy的方法，不断的t提高Policy。

　　尽管这两个部分会相互改变对方的基础，但是他们最终会找到一个共同的解决方法：最优Policy和最优Value Function。