Beijesiskā dinamiskā programmēšana — secīgu lēmumu optimizācija ar Beijesiskās ticības atjaunināšanu
Beijesiskā dinamiskā programmēšana (BDP) apvieno Bellmana dinamiskās programmēšanas sistēmu ar Beijesiskās izziņas metodi, lai optimizētu secīgus lēmumus, kad pārejas varbūtības vai atlīdzības struktūras nav zināmas. Katrā posmā aģents atjaunina ticību par vidi, izmantojot novērotos rezultātus, un pēc tam aprēķina optimālu politiku, kas skaidri ņem vērā gan tūlītējas atlīdzības, gan informācijas vērtību, kas gūta izpētes ceļā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/lv/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.
- Bayesiešu Markovas modelisSimulācija↔ compare
- Dinamiskā programmēšanaOptimizācija↔ compare
- Mācīšanās ar pastiprinājumuDziļā mācīšanās↔ compare
- Stochastic Dynamic ProgrammingSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →