Načítá se...

Entropic Regularization of Markov Decision Processes

An optimal feedback controller for a given Markov decision process (MDP) can in principle be synthesized by value or policy iteration. However, if the system dynamics and the reward function are unknown, a learning agent must discover an optimal controller via direct interaction with the environment...

Celý popis

Uloženo v:
Podrobná bibliografie
Vydáno v:Entropy (Basel)
Hlavní autoři: Belousov, Boris, Peters, Jan
Médium: Artigo
Jazyk:Inglês
Vydáno: MDPI 2019
Témata:
On-line přístup:https://ncbi.nlm.nih.gov/pmc/articles/PMC7515171/
https://ncbi.nlm.nih.gov/pubmed/33267388
https://ncbi.nlm.nih.govhttp://dx.doi.org/10.3390/e21070674
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo otaguje tento záznam!