Programação Dinâmica Bayesiana — Otimização de decisões sequenciais com atualização de crenças bayesianas
Programação Dinâmica Bayesiana (BDP) combina o arcabouço da programação dinâmica de Bellman com inferência bayesiana para otimizar decisões sequenciais quando as probabilidades de transição ou as estruturas de recompensa são desconhecidas. Em cada estágio, o agente atualiza suas crenças sobre o ambiente usando resultados observados, e então computa uma política ótima que considera explicitamente tanto as recompensas imediatas quanto o valor da informação obtida através da exploração.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/pt/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.
- Modelo Bayesiano de MarkovSimulação↔ compare
- Programação DinâmicaOtimização↔ compare
- Aprendizagem por ReforçoAprendizado profundo↔ compare
- Programação Dinâmica EstocásticaSimulação↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →