多链MDP平均奖励RL提出分层分解算法

研究团队提出一种基于异步值迭代的强化学习算法，用于求解平均奖励多链马尔可夫决策过程（MDP）的最优策略。据论文称，该算法只需知道MDP的转移图，无需其他模型知识，并借助Bather分解将状态空间分层划分为通信子系统与瞬态状态。 该工作由Huizhen Yu与Isaiah Heidt完成，论文发布在arXiv的cs.LG分类下。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。