Bayessche Dynamische Programmierung – Sequenzielle Entscheidungsoptimierung mit Aktualisierung Bayesscher Überzeugungen
Die Bayessche Dynamische Programmierung (BDP) kombiniert Bellmans Rahmen der dynamischen Programmierung mit Bayesscher Inferenz, um sequentielle Entscheidungen zu optimieren, wenn Übergangswahrscheinlichkeiten oder Belohnungsstrukturen unbekannt sind. In jeder Phase aktualisiert der Agent seine Überzeugungen über die Umgebung unter Verwendung beobachteter Ergebnisse und berechnet dann eine optimale Politik, die sowohl unmittelbare Belohnungen als auch den Wert der durch Exploration gewonnenen Informationen explizit berücksichtigt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/de/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.
- Bayesian Markov ModelSimulation↔ compare
- Dynamische ProgrammierungOptimierung↔ compare
- Reinforcement LearningDeep Learning↔ compare
- Stochastic Dynamic ProgrammingSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →