Differences
This shows you the differences between two versions of the page.
| Both sides previous revisionPrevious revisionNext revision | Previous revision | ||
| statnice:bakalar:b4b36zui [2025/06/03 12:01] – zapleka3 | statnice:bakalar:b4b36zui [2025/06/03 12:40] (current) – zapleka3 | ||
|---|---|---|---|
| Line 351: | Line 351: | ||
| * Příliš silná heuristika (např. $h(n) > h^*(n)$) může zrychlit výpočet, ale ztrácí optimálnost. | * Příliš silná heuristika (např. $h(n) > h^*(n)$) může zrychlit výpočet, ale ztrácí optimálnost. | ||
| - | ====== 4. Algoritmy posilovaného učení | + | ===== 4. Algoritmy posilovaného učení ===== |
| **policy evaluation, policy improvement, | **policy evaluation, policy improvement, | ||
| Line 1073: | Line 1073: | ||
| 1. Inicializace hodnotové funkce $V_0$. | 1. Inicializace hodnotové funkce $V_0$. | ||
| 2. Iterace pro každý $b \in B$: | 2. Iterace pro každý $b \in B$: | ||
| - | $$ V_{i+1}(b) = \max_{a \in A} \left[ R(b, a) + \gamma \sum_{o \in Ω} P(o|b,a) \cdot V_i(b_{a, | + | $$ |
| + | V_{i+1}(b) = \max_{a \in A} \left[ R(b, a) + \gamma \sum_{o \in Ω} P(o|b,a) \cdot V_i(b_{a, | ||
| + | $$ | ||
| * $b_{a,o}$ je nová víra (belief) po akci $a$ a pozorování $o$ | * $b_{a,o}$ je nová víra (belief) po akci $a$ a pozorování $o$ | ||
