Bayesiläinen dynaaminen ohjelmointi — Sekventiaalisten päätösten optimointi Bayesiläisellä uskomuspäivityksellä
Bayesiläinen dynaaminen ohjelmointi (BDP) yhdistää Bellmanin dynaamisen ohjelmoinnin viitekehyksen Bayesiläiseen päättelyyn sekventiaalisten päätösten optimoimiseksi, kun siirtymätodennäköisyydet tai palkkiorakenteet ovat tuntemattomia. Jokaisessa vaiheessa agentti päivittää uskomuksiaan ympäristöstä havaintojen perusteella ja laskee sitten optimaalisen politiikan, joka ottaa huomioon sekä välittömät palkkiot että tiedonhankinnan arvon tutkimisen kautta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen Markov-malliSimulointi↔ compare
- Dynaaminen ohjelmointiOptimointi↔ compare
- VahvistusoppiminenSyväoppiminen↔ compare
- Stokastinen dynaaminen ohjelmointiSimulointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →