平均和折扣准则MDP基于TD（0）学习的统一NDP方法
唐昊 周雷 袁继彬
合肥工业大学计算机与信息学院,安徽合肥230009
摘 要:
为适应实际大规模Markov系统的需要，讨论Markov决策过程（MDP）基于仿真的学习优化问题-根据定义式，建立性能势在平均和折扣性能准则下统一的即时差分公式，并利用一个神经元网络来表示性能势的估计值，导出参数TD（0）学习公式和算法，进行逼近策略评估；然后，根据性能势的逼近值，通过逼近策略迭代来实现两种准则下统一的神经元动态规划（neuro—dynamic programming，NDP）优化方法．研究结果适用于半Markov决策过程，并通过一个数值例子，说明了文中的神经元策略迭代算法对两种准则都适用，验证了平均问题是折扣问题当折扣因子趋近于零时的极限情况． (共5页)
学科分类:
TP202[工业技术 > 自动化技术、计算机技术 > 自动化技术及设备 > 一般性问题 > 设计、性能分析与综合]
相关期刊
关注本文的人:
看过本文的人还看过:
cqvip.com