Байесов динамичен програмен подход — Оптимизация на последователни решения с актуализиране на байесови убеждения
Байесовият динамичен програмен подход (BDP) съчетава рамката на динамичното програмиране на Белман с байесовото изводяване за оптимизиране на последователни решения, когато вероятностите за преход или структурите на наградите са неизвестни. На всеки етап агентът актуализира убежденията си за средата, използвайки наблюдавани резултати, след което изчислява оптимална политика, която изрично отчита както непосредствените награди, така и стойността на информацията, получена чрез изследване.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Bertsekas, D. P. (1995). Dynamic Programming and Optimal Control. Athena Scientific, Belmont, MA. ISBN: 9781886529267
- Duff, M. O. (2002). Optimal Learning: Computational procedures for Bayes-adaptive Markov decision processes. PhD Dissertation, University of Massachusetts Amherst. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/bg/simulation/bayesian-dynamic-programming
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесов Марковски МоделСимулационно моделиране↔ compare
- Динамично оптимиранеОптимизация↔ compare
- Обучение с подкреплениеДълбоко обучение↔ compare
- Стохастично динамично програмиранеСимулационно моделиране↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →