An Adaptive Sampling Algorithm for Solving Markov Decision Processes

Based on recent results for multiarmed bandit problems, we propose an adaptive sampling algorithm that approximates the optimal value of a finite-horizon Markov decision process (MDP) with finite state and action spaces. The algorithm adaptively chooses which action to sample as the sampling process...

Celý popis

Uloženo v:
Podrobná bibliografie
Vydáno v:Operations research Ročník 53; číslo 1; s. 126 - 139
Hlavní autoři: Chang, Hyeong Soo, Fu, Michael C, Hu, Jiaqiao, Marcus, Steven I
Médium: Journal Article
Jazyk:angličtina
Vydáno: Linthicum, MD INFORMS 01.01.2005
Institute for Operations Research and the Management Sciences
Témata:
ISSN:0030-364X, 1526-5463
On-line přístup:Získat plný text
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
Buďte první, kdo okomentuje tento záznam!
Nejprve se musíte přihlásit.