価値反復法

価値反復法は、環境のしくみ（遷移の確率や報酬）が分かっているとき、各状態の価値を繰り返し計算して、最適な行動を求める方法です。

■ 試験で押さえるポイント

• 動的計画法の一種です。

• 価値が変化しなくなるまで計算を繰り返します。

■ 過去問での着眼点

環境のしくみが分かっている（モデルベース）点で、Q学習と区別します。

例: すべてのマスの移動の規則が分かっている迷路で、各マスの価値を計算して最短の道を求めます。