Bayesiansk dynamisk programmering — Sekvensiell optimalisering av beslutninger med Bayesiansk oppdatering av tro
Bayesiansk dynamisk programmering (BDP) kombinerer Bellmans rammeverk for dynamisk programmering med Bayesiansk inferens for å optimalisere sekvensielle beslutninger når overgangssannsynligheter eller belønningsstrukturer er ukjente. På hvert trinn oppdaterer agenten sin tro om miljøet ved hjelp av observerte utfall, og beregner deretter en optimal politikk som eksplisitt tar hensyn til både umiddelbare belønninger og verdien av informasjon oppnådd gjennom utforskning.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk Markov-modellSimulering↔ compare
- Dynamisk programmeringOptimering↔ compare
- ForsterkningslæringDyp læring↔ compare
- Stochastic Dynamic ProgrammingSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →