求解POMDP的动态合并激励学习算法

作者：殷苌茗; 王汉兴; 陈焕文; 谢丽娟

来源：计算机工程, 2005, (22): 14-16+158.

• 部分可观测Markov决策过程
• 激励学习
• 动态合并
• 信度状态

把POMDP作为激励学习(ReinforcementLearning)问题的模型,对于具有大状态空间问题的求解有比较好的适应性和有效性。但由于其求解的难度远远地超过了一般的Markov决策过程(MDP)的求解,因此还有许多问题有待解决。该文基于这样的背景,在给定一些特殊的约束条件下提出的一种求解POMDP的方法,即求解POMDP的动态合并激励学习算法。该方法利用区域的概念,在环境状态空间上建立一个区域系统,Agent在区域系统的每个区域上独自并行地实现其最优目标,加快了运算速度。然后把各组成部分的最优值函数按一定的方式整合,最后得出POMDP的最优解。

• 单位
  上海大学; 长沙理工大学