مقاله تخمین انولوپ محدب با استفاده از یادگیری تقویت

چکیده

Oberman gave a stochastic control formulation of the problem of estimating the convex envelope of a non-convex function. Based on this, we develop a reinforcement learning scheme to approximate the convex envelope, using a variant of Q-learning for controlled optimal stopping. It shows very promising results on a standard library of test problems.

چکیده به فارسی (ترجمه ماشینی)

اوبرمن یک فرمول کنترل تصادفی از مشکل تخمین پاکت محدب یک عملکرد غیر کنفکس ارائه داد.بر این اساس ، ما یک طرح یادگیری تقویت برای تقریب پاکت محدب ، با استفاده از یک نوع یادگیری Q برای توقف بهینه کنترل شده تهیه می کنیم.این نتایج بسیار امیدوارکننده را در یک کتابخانه استاندارد از مشکلات آزمون نشان می دهد.