我认为众所周知，对于任何无限视野折扣 MDP$(S, A, P, r, \gamma)$, 总是存在一个主导策略$\pi$，即政策$\pi$这样对于所有策略$\pi'$：

$$V_\pi (s) \geq V_{\pi'}(s) \quad \text{for all } s\in S .$$

但是，我在任何地方都找不到这个结果的证明。鉴于这个陈述是动态编程的基础（我认为），我对严格的证明很感兴趣。（我希望我在这里没有遗漏任何琐碎的事情）