Байесовская динамическая оптимизация — Оптимизация последовательных решений с байесовским обновлением доверительных интервалов.
Байесовская динамическая оптимизация (Bayesian Dynamic Programming, BDP) объединяет каркас динамической оптимизации Беллмана с байесовским выводом для оптимизации последовательных решений в условиях неизвестных вероятностей переходов или структур вознаграждений. На каждом этапе агент обновляет свои представления об окружающей среде, используя наблюдаемые результаты, а затем вычисляет оптимальную политику, которая явно учитывает как немедленные вознаграждения, так и ценность информации, полученной в результате исследования.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/ru/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.
- Байесовская Марковская МодельИмитационное моделирование↔ compare
- Динамическое программированиеОптимизация↔ compare
- Обучение с подкреплениемГлубокое обучение↔ compare
- Стохастическое динамическое программированиеИмитационное моделирование↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →