Factored value iteration converges

Szita István; Lőrincz András: Factored value iteration converges. In: Acta cybernetica, (18) 4. pp. 615-635. (2008)

Előnézet

Cikk, tanulmány, mű Szita_2008_ActaCybernetica.pdf Letöltés (293kB) | Előnézet

Absztrakt (kivonat)

In this paper we propose a novel algorithm, factored value iteration (FVI), for the approximate solution of factored Markov decision processes (fMDPs). The traditional approximate value iteration algorithm is modified in two ways. For one, the least-squares projection operator is modified so that it does not increase max-norm, and thus preserves convergence. The other modification is that we uniformly sample polynomially many samples from the (exponentially large) state space. This way, the complexity of our algorithm becomes polynomial in the size of the fMDP description length. We prove that the algorithm is convergent. We also derive an upper bound on the difference between our approximate solution and the optimal one, and also on the error introduced by sampling. We analyse various projection operators with respect to their computation complexity and their convergence when combined with approximate value iteration.

Mű típusa:	Cikk, tanulmány, mű
Befoglaló folyóirat/kiadvány címe:	Acta cybernetica
Dátum:	2008
Kötet:	18
Szám:	4
ISSN:	0324-721X
Oldalak:	pp. 615-635
Nyelv:	angol
Kiadás helye:	Szeged
Konferencia neve:	Symposium of Young Scientists on Intelligent Systems (2.) (2007) (Budapest)
Befoglaló mű URL:	http://acta.bibl.u-szeged.hu/38526/
Kulcsszavak:	Számítástechnika, Kibernetika
Megjegyzések:	Bibliogr.: p. 633-635. ; összefoglalás angol nyelven
Szakterület:	01. Természettudományok 01. Természettudományok > 01.02. Számítás- és információtudomány
Feltöltés dátuma:	2016. okt. 15. 12:25
Utolsó módosítás:	2022. jún. 16. 15:47
URI:	http://acta.bibl.u-szeged.hu/id/eprint/12838

Bővebben:

Tétel nézet