埃亚尔·埃文·达尔；沙姆·卡卡德。M。；伊莎·曼苏尔 在线马尔可夫决策过程。 （英语） Zbl 1218.90207号 数学。操作。物件。 34，第3726-736号（2009年）. 摘要：我们考虑一个马尔可夫决策过程（MDP）设置，在该设置中，奖励函数在每个时间步后都可以改变（可能以对抗的方式），但动态保持不变。与专家设置类似，我们解决了一个问题，即与在最佳固定政策下获得的奖励相比，代理人的表现如何。我们提供了有效的算法，这些算法具有遗憾边界，与状态空间的大小无关。相反，这些界限仅取决于进程的某个地平线时间，并以对数形式取决于操作数。 引用于14文件 MSC公司： 90立方厘米 马尔可夫和半马尔可夫决策过程 68T05型 人工智能中的学习和自适应系统 68问题32 计算学习理论 关键词：马尔可夫决策过程；无遗憾算法 PDF格式BibTeX公司 XML格式引用 \textit{E.Even-Dar}等人，数学。操作。第34号决议，第3号，726--736（2009年；Zbl 1218.90207） 全文： 内政部 链接