策略改進定理（policy improvement theorem）

策略改進定理，是讓強化學習往上爬、而不是亂走的那個保證。它說：拿你當前的策略，評估它以得到它的價值函數，再建一個對該函數貪婪行動——挑出價值最高的動作——的新策略。這個新策略在任何狀態都不會比舊的差；而且除非舊的本來就已經是最佳，否則它在某處嚴格更好。

這個單一結果就是策略迭代的心跳：評估，然後改進，再評估改進後的結果，如此反覆。每一輪要嘛真正取得進展，要嘛就示意你已經抵達一個最佳策略，因為再多走一步貪婪也幫不上忙。這條定理說明了為什麼「估計價值，再對它們貪婪行動」不只是一個經驗法則，而是一個在有限馬可夫決策過程中，可被證明會收斂到最佳行為的方法。