Iteration

概述

迭代（Iteration）是扑克策略分析中常用的概念，尤其在博弈论最优策略（GTO）计算和机器学习模型中。它指通过多次重复某个算法或模拟过程，不断修正参数或策略，使结果逐步接近理想目标。

应用场景

GTO求解器

在GTO求解器中，迭代是核心机制。求解器通过反复进行“反事实后悔最小化”（CFR）等算法迭代，计算纳什均衡策略。每次迭代都会更新各决策点的行动频率，随着迭代次数增加，策略的遗憾值逐渐降低，最终收敛到近似最优解。典型求解器如PioSolver、MonkerSolver通常需要数百万次迭代才能获得高精度策略。

策略学习与调整

在人工或辅助学习过程中，玩家也会使用迭代思想。例如，先基于当前策略进行牌局模拟，收集结果数据，再分析偏差并调整策略，然后重新模拟。这种“模拟-评估-调整”的循环即为一次迭代。通过多轮迭代，策略能适应特定对手或场景。

数据模拟

蒙特卡洛模拟等随机方法也依赖迭代。每次迭代随机生成牌局进程并统计结果，大量迭代后可得近似概率分布。例如，计算特定底牌的胜率时，常进行数十万次模拟。

注意事项

迭代次数、收敛条件和计算资源之间需平衡。较少的迭代可能导致策略不精确；过多迭代则消耗时间。实际应用中，通常设定一个可接受的误差阈值或固定迭代次数（如100万次）。