待验证50% 置信事实精确时间

MDP一旦转移与成本已知，可用动态规划、策略迭代或价值迭代在离线阶段求出最优策略π*(s)。

1

来源数

50%

置信度

长期有效

时效性

2026/10/20

首次发现

来源

贝尔曼语言模型：用强化学习优化LLM智能体决策

rss2026/10/17

涉及实体

马尔可夫决策过程concept

相关事实

待验证占用度量d^π(s,a)刻画策略π在MDP中访问状态-动作对(s,a)的期望次数或归一化分布，在情景式MDP中同时编码了策略的长期行为。76% 相似待验证该论文提出的方案在每一步将CVaR应用于信念上的即时成本，而非修改价值函数，从而保留标准期望累积回报作为整体目标并保持标准MDP结构69% 相似待验证马尔可夫决策过程（MDP）为智能体的感知—决策—执行闭环提供了数学框架68% 相似已验证马尔可夫决策过程（MDP）由五个核心要素构成：状态空间、动作空间、状态转移概率、奖励函数和折扣因子68% 相似待验证成本与延迟优化的策略包括结果缓存、并行执行无依赖关系的任务、以及模型分级68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1074721

API

curl https://kongchang.com/api/v1/knowledge/claims/1074721

MCP

get_claim(id=1074721)