第13步：有限MDP + 动态规划

策略评估：给定一个策略（初始随机），反复用贝尔曼期望方程更新每个状态的值，直到值函数收敛。

策略迭代：评估当前策略 → 用贪心方式改进策略 → 再评估 → 再改进，交替进行直到策略不再变化。

值迭代：跳过完整策略评估，每次直接取最大 Q 值更新 V(s)，一步到位。收敛更快但中间值不精确。