Pemrograman Dinamis Bayesian — Optimalisasi keputusan sekuensial dengan pembaruan keyakinan Bayesian
Pemrograman Dinamis Bayesian (BDP) menggabungkan kerangka kerja pemrograman dinamis Bellman dengan inferensi Bayesian untuk mengoptimalkan keputusan sekuensial ketika probabilitas transisi atau struktur imbalan tidak diketahui. Pada setiap tahap, agen memperbarui keyakinan tentang lingkungan menggunakan hasil yang diamati, kemudian menghitung kebijakan optimal yang secara eksplisit memperhitungkan imbalan segera dan nilai informasi yang diperoleh melalui eksplorasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/id/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.
- Model Markov BayesianSimulasi↔ compare
- Pemrograman DinamisOptimasi↔ compare
- Pembelajaran PenguatanPembelajaran Mendalam↔ compare
- Pemrograman Dinamis StokastikSimulasi↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →