آموزش بازی والیبال بخش شانزدهم

یک تابع پاداش ، نشان داده شده با (xn) ، که نشان دهنده پاداش به دست آمده در ایالت است
xn
• یک عملکرد انتقال fn (xn ، un) ، که حالت بعدی سیستم را (xn + 1) محاسبه می کندسایت شرط بندی با واریز مستقیماگر کنترل un در حالت xn در مرحله n اعمال شود ، به دست می آید.
• سرانجام ، تابع مقدار J
n
(xn) ، حداکثر پاداش مورد انتظار که می توان از آن بدست آورد
مرحله n تا مرحله نهایی N
با توجه به این علامت گذاری (شکل 6 را نیز ببینید) ، توضیح معادله بازگشتی امکان پذیر است. (4): بیان می کند
که تابع مقدار مربوط به آموزش بازیکن از مرحله n به بعد ، J
n
(xn) ، می تواند باشد
به عنوان مجموع پاداش مورد انتظار در مرحله n بعلاوه تابع مقدار مورد انتظار محاسبه می شود
از مرحله بعد به بعد ، ج
n + 1 (xn + 1).
سپس ، هدف حل معادله است. (4) ، یعنی یافتن کنترل های بهینه برای هر مرحله. از آنجا که
1 استفاده از سطوح بیشتر در کنترل از نظر ریاضی ساده است اما به مجموعه ای بسیار زیاد از نمونه های آموزش نیاز دارد
(بخش IV-C را ببینید) ، که عملاً غیرممکن است ، بنابراین مورد توجه قرار نگرفته است.
22 آوریل 2014 DRAF