Bayesian Dynamic Programming — Optimering av sekventiella beslut med Bayesiansk uppdatering av tron
Bayesian Dynamic Programming (BDP) kombinerar Bellmans ramverk för dynamisk programmering med Bayesiansk inferens för att optimera sekventiella beslut när övergångssannolikheter eller belöningsstrukturer är okända. I varje steg uppdaterar agenten sin tro om miljön med hjälp av observerade utfall och beräknar sedan en optimal policy som explicit tar hänsyn till både omedelbara belöningar och värdet av information som erhållits genom utforskning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Dynamic Programming — Sequential decision optimization under uncertainty with Bayesian belief updating. ScholarGate. https://scholargate.app/sv/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 MarkovmodellSimulering↔ compare
- Dynamisk programmeringOptimering↔ compare
- FörstärkningsinlärningDjupinlärning↔ compare
- Stokastisk dynamisk programmeringSimulering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →