Dynamic Decision Making (Finite Horizon Bellman) — தொடர் தீர்மானம் — Bellman

தீர்மானம் — நிலை மாற்றம்; Bellman சிந்தனை.

உண்மை உலகில் இது ஏன் முக்கியம்?

சரக்கு; AI lookahead.

மையக் கருத்து (மாணவர்களுக்கான விளக்கம்)

பின் நோக்கி Bellman.

Pythonில் முயற்சி செய்வோம்

def finite_horizon_value(states: int, T: int, rew, trans) -> float:
    V = [0.0] * states
    for _ in range(T):
        newV = [0.0] * states
        for s in range(states):
            best = -10**18
            for a in range(2):
                ns = trans[s][a]
                best = max(best, rew[s][a] + V[ns])
            newV[s] = best
        V = newV
    return max(V)


trans = [[1, 0], [0, 1]]
rew = [[1, 0], [0, 2]]
print(round(finite_horizon_value(2, 5, rew, trans), 3))

அடிக்கடி நேரும் தவறுகள்

• தள்ளுபடி இல்லை.
• எதிர்பார்ப்பு.

முக்கியச் சுருக்கக் குறிப்புகள்

• γ தள்ளுபடி.