应用策略迭代以求最优策略

策略迭代是强化学习中用于寻找最优策略的基本方法。它包含两个主要步骤：策略评估，用于在给定策略下计算状态价值函数；以及策略改进，根据这些价值更新策略。您将反复应用这两个步骤，在自定义环境 MyGridWorld 中收敛到最优策略。

将使用 render_policy() 函数展示智能体按照某个策略采取的动作序列。

compute_state_value(state, policy) 和 compute_q_value(state, action, policy) 已为您预加载。

本练习是课程的一部分

Python 中的 Gymnasium 强化学习

通过完成这段示例代码来试试这个练习。

# Complete the policy evaluation function
def policy_evaluation(policy):
    V = {____: ____ for ____ in range(____)}
    return V