Presná definícia
Čo znamená iterácia hodnoty?
Iterácia hodnoty opakovane aplikuje Bellmanov operátor optimality na odhad hodnoty a po konvergencii z neho vyberie greedy politiku. Spája čiastočné hodnotenie s optimalizáciou v každej aktualizácii.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím rieši diskrétny model smerovania, sleduje maximálnu zmenu hodnoty a po dosiahnutí tolerancie simuluje odvodenú politiku na odlišných mapách.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená iterácia hodnoty?
Iterácia hodnoty opakovane aplikuje Bellmanov operátor optimality na odhad hodnoty a po konvergencii z neho vyberie greedy politiku.
Kedy sa iterácia hodnoty používa?
Tím rieši diskrétny model smerovania, sleduje maximálnu zmenu hodnoty a po dosiahnutí tolerancie simuluje odvodenú politiku na odlišných mapách.
Od čoho treba iterácia hodnoty odlíšiť?
Policy iteration vykonáva samostatné hodnotenie a zlepšenie; value iteration aktualizuje priamo optimálny pevný bod.
Ako sa iterácia hodnoty kontroluje?
Overuje sa kontrakcia pri gamma menšom než jedna, synchronizácia aktualizácií, tolerancia, odvodená politika a simulácia.
Aké obmedzenie má iterácia hodnoty?
Malá zmena hodnoty nemusí znamenať bezpečnú politiku, ak sú vstupné prechody alebo odmeny nepresné.