赌局与部分可观测马尔可夫决策过程中的路径一致值
最优化与控制
2015-09-09 v2
摘要
在几种标准动态规划模型（赌局、MDP、POMDP）中，我们证明了无限重复问题存在一种非常鲁棒的值概念，即路径一致值。这解决了两个开放问题。首先，这表明对于任意 epsilon>0，决策者有一个纯策略 sigma，只要 n 足够大，该策略在任何 n 阶段博弈中都是 epsilon-最优的（该结果此前仅已知对行为策略成立，即使用随机化的策略）。其次，可以选择策略 sigma，使得在长期平均收益准则（平均收益极限下确界的期望）下，决策者获得大于 lim v(n)-epsilon 的值。
引用
@article{arxiv.1505.07495,
title = {Pathwise uniform value in gambling houses and Partially Observable Markov Decision Processes},
author = {Xavier Venel and Bruno Ziliotto},
journal= {arXiv preprint arXiv:1505.07495},
year = {2015}
}