Programowanie bayesowskie — optymalizacja sekwencyjnych decyzji z aktualizacją ufności bayesowskiej
Programowanie bayesowskie (BDP) łączy ramy programowania dynamicznego Bellmana z wnioskowaniem bayesowskim w celu optymalizacji sekwencyjnych decyzji, gdy prawdopodobieństwa przejścia lub struktury nagród są nieznane. Na każdym etapie agent aktualizuje ufność dotyczącą środowiska za pomocą obserwowanych wyników, a następnie oblicza optymalną strategię, która wyraźnie uwzględnia zarówno natychmiastowe nagrody, jak i wartość informacji uzyskanych dzięki eksploracji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/pl/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.
- Bayesowski model MarkowaSymulacja↔ compare
- Programowanie dynamiczneOptymalizacja↔ compare
- Uczenie ze wzmocnieniemUczenie głębokie↔ compare
- Programowanie stochastyczne dynamiczneSymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →