モデルベース強化学習（動的計画法）における「方策反復法（Policy Iteration）」と「価値反復法（Value Iteration）」の比較として、最も適切なものを1つ選択してください。
出典G検定オリジナル模擬試験
ア
方策反復法は「方策評価（現在の価値を正確に求める）」と「方策改善（貪欲化）」の2つのステップを交互に繰り返して最適方策へ収束させる。
イ
価値反復法は方策の改善を行わず、あらかじめ固定されたランダム方策の価値を算出するだけで終了する。
ウ
方策反復法はベルマン最適方程式のみを用い、価値反復法はベルマン期待方程式のみを用いる。
エ
両手法ともに環境の遷移確率 P(s'|s, a) や報酬関数 R が未知であるモデルフリー環境で直接使用される。