机构名称：
¥ 2.0
本文研究了任何时间竞争性马尔可夫决策过程（A-CMDP）的问题。现有在受约束的马尔可夫决策过程（CMDP）上的现有作品旨在优化预期的奖励，同时将预期成本限制在随机动态上，但是特定情节中的成本仍然不令人满意。相比之下，A-CMDP的目标是优化预期的奖励，同时保证任何情节的每轮有限成本与之前的政策。我们提出了一种新算法，称为任何时间竞争力的增强学习（ACRL），可以保证任何时间的成本限制。遗憾的分析表明，该政策渐近与任何时间竞争性约束下可获得的最佳奖励匹配。有关碳智能计算的应用实验，可以验证ACRL的奖励性能和成本约束保证。
随时随地竞争性强化学习与策略先验
主要关键词
相关文件推荐
