策略评估（Policy evaluation）和策略改进（Policy improvement）是强化学习算法（如策略迭代）中的两个不同步骤。策略评估计算给定策略的有效性，而策略改进则根据该评估更新策略以做出更好的决策。这些步骤共同构成一个循环，通过迭代优化智能体的行为。
策略评估（Policy evaluation）侧重于估计特定策略下状态（或状态-动作对）的价值。例如，如果智能体遵循一个在网格世界中指示移动的策略，策略评估会计算每个状态的预期长期奖励，例如靠近目标与靠近危险的价值。这通常使用迭代策略评估（iterative policy evaluation）等算法完成，该算法重复应用贝尔曼方程（Bellman equation）来更新状态价值，直到它们稳定。结果是一个价值函数（value function），它量化了策略的性能，但不会改变策略本身。例如，在游戏场景中，这一步回答了“我当前的策略有多好？”的问题，而不是“我如何改进它？”的问题。
另一方面，策略改进（Policy improvement）使用策略评估得出的价值函数来创建一个更好的策略。如果评估显示在某个状态下采取特定行动比当前策略选择的行动产生更高的预期奖励，则更新策略以偏向该行动。例如，在自动驾驶汽车模拟中，如果评估显示在特定场景下更早刹车可以减少碰撞，则调整策略以优先刹车。这一步通常采用贪婪方法（greedy approach），选择估计价值最高的行动。然而，改进也可以平衡探索（尝试新行动）和利用（坚持已知的好行动）以避免局部最优（local optima）。
这两个步骤相互依存。策略评估为改进提供了所需的数据，而策略改进则生成新的策略进行评估。在实践中，策略迭代（policy iteration）等算法会在这两个步骤之间交替进行，直到策略收敛到最优解（optimal solution）。例如，在仓库机器人路径规划任务中，评估可能会揭示当前路径策略中的瓶颈，而改进则可以将机器人重新规划到更快的路径。这种迭代过程确保了智能体的行为随着时间的推移变得越来越有效，利用评估来衡量进展，利用改进来推动改变。