Stochastic Dynamic Programming — Sequential Decision-Making Under Uncertainty
Stochastic Dynamic Programming (SDP) ir matemātisks optimizācijas ietvars secīgiem lēmumu pieņemšanas uzdevumiem, kuros iznākumi ir daļēji nejauši. Tas paplašina Bellmana optimālās politikas principu stohastiskai videi, modelējot uzdevumus kā Markova lēmumu procesus (MDP) un aprēķinot optimālās politikas, risinot rekursīvas vērtību vienādojumus pa stāvokļiem un laika periodiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Avoti
- Bellman, R. (1957). Dynamic Programming. Princeton University Press, Princeton, NJ. ISBN: 9780486428093
- Puterman, M. L. (1994). Markov Decision Processes: Discrete Stochastic Dynamic Programming. John Wiley & Sons, New York. ISBN: 9780471619772
Kā citēt šo lapu
ScholarGate. (2026, June 3). Stochastic Dynamic Programming (SDP) — Sequential decision-making under uncertainty via Markov decision processes. ScholarGate. https://scholargate.app/lv/simulation/stochastic-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.
- Dinamiskā programmēšanaOptimizācija↔ compare
- Markov ModelSimulācija↔ compare
- Monte Carlo simulācijaLēmumu pieņemšana↔ compare
- Stochastic Linear ProgrammingSimulācija↔ compare
- Stochastic Mixed-Integer ProgrammingSimulācija↔ compare
- Stochastic Multi-Objective OptimizationSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →