Компьютерные науки > Искусственный интеллект [представлен 27 октября 2026 года] Название: Консервативная политическая итерация для нулевого-сумного PSGs View PDF HTML (экспериментальный) Резюме: Сокращение занятости/состояние делает возможным динамическое программирование для нулевой частично наблюдаемой стохастической игры (zs-POSG). Существующие точечные решения обычно оптимизируют функцию центральной ценности. Это восстанавливает рекурсию Беллмана, но требует точечных обновления в высокомерных пространствах. Мы введем примерный алгоритм определения политики для конечных zs-POSG. Этот метод поддерживает одну политику в расчете на одного игрока и обновляет одновременно по траекториям заселения, обусловленным консервативными обновлениями политики. Вместо того чтобы приблизить функцию полного центрального значения, в каждом обновлении используется единый вспомогательный гиперплан, вызванный нынешней совместной политикой. Алгоритм заменяет местные меры по совершенствованию политики, консервативную обновление и постоянное исследование. Таким образом, расчеты сосредоточены на районах проживания, где можно использовать нынешнюю совместную политику. Что касается контрольных показателей POSG с нулевой суммой, то этот метод является конкурентоспособным на малых горизонтах и часто улучшает компромисс между эксплуатационными показателями в режиме " рабочего времени &qt; на более крупных горизонтах по сравнению с PBVI, HSVI и CFR+. Дополнительные ссылки и цитаты...…
Консервативная политика итерации для нулевых ПОГС
arXiv: 261 030,36847v1 Annuales Type: New Humber: Occupance-state сокращения делают возможным динамическое программирование для частично наблюдаемых стохастических игр с нулевой суммой (zs-POSG). Существующие точечные решения обычно оптимизируют функцию центральной ценности. Это восстанавливает рекурсию Беллмана, но требует точечных обновления в высокомерных пространствах. Мы введем примерный алгоритм определения политики для конечных zs-POSG. Этот метод поддерживает одну политику в расчете на одного игрока и обновляет одновременно по траекториям заселения, обусловленным консервативными обновлениями политики. Вместо того чтобы приблизить функцию полного центрального значения, в каждом обновлении используется единый вспомогательный гиперплан, вызванный нынешней совместной политикой. Алгоритм заменяет местные меры по совершенствованию политики, консервативную обновление и постоянное исследование. Таким образом, расчеты сосредоточены на районах проживания, где можно использовать нынешнюю совместную политику. В отношении контрольных показателей POSG с нулевой суммой в конечной горзоне этот метод является конкурентоспособным на млекопитающих