策略迭代

策略迭代交替执行两个步骤：

1. 策略评估：计算当前策略 \(\pi\) 对应的价值函数 \(V^\pi\)；
2. 策略改进：对 \(V^\pi\) 做一步贪心选择，得到不差于原策略的新策略。

在有限 MDP 中反复迭代，最终会得到最优策略。