RL笔记_DP方法与蒙特卡洛方法的差异

DP方法中常见的如值迭代和策略迭代，可以统称为GPI，Generalized Policy Iteration，包括两个主要部分，evaluation 和 improvement。在此方法中我们需要知道状态转移的概率分布，相当于对环境有了一个先验知识，而蒙特卡洛方法只有样本，需要什么自己计算什么，也可以叫做model free的方法。