Bayesiaanse Dynamische Programmering — Sequentiële beslissingsoptimalisatie met Bayesiaanse geloofsactualisering
Bayesiaanse Dynamische Programmering (BDP) combineert Bellman's raamwerk voor dynamische programmering met Bayesiaanse inferentie om sequentiële beslissingen te optimaliseren wanneer overgangswaarschijnlijkheden of beloningsstructuren onbekend zijn. In elke fase actualiseert de agent zijn overtuigingen over de omgeving met behulp van geobserveerde uitkomsten, en berekent vervolgens een optimale strategie die expliciet rekening houdt met zowel directe beloningen als de waarde van informatie verkregen door exploratie.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaans MarkovmodelSimulatie↔ compare
- Dynamische programmeringOptimalisatie↔ compare
- Reinforcement LearningDeep learning↔ compare
- Stochastische Dynamische ProgrammeringSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →