Programación Dinámica Bayesiana — Optimización de decisiones secuenciales con actualización de creencias bayesianas
La Programación Dinámica Bayesiana (BDP) combina el marco de programación dinámica de Bellman con la inferencia bayesiana para optimizar decisiones secuenciales cuando las probabilidades de transición o las estructuras de recompensa son desconocidas. En cada etapa, el agente actualiza sus creencias sobre el entorno utilizando los resultados observados, luego calcula una política óptima que tiene en cuenta explícitamente tanto las recompensas inmediatas como el valor de la información obtenida a través de la exploración.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/es/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.
- Modelo de Markov BayesianoSimulación↔ compare
- Programación DinámicaOptimización↔ compare
- Aprendizaje por RefuerzoAprendizaje profundo↔ compare
- Programación Dinámica EstocásticaSimulación↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →