812
个编辑
更改
跳到导航
跳到搜索
第135行：
第135行： − − <br/> − − − − ===基础划分=== − − 马尔科夫状态中有一些基础的定义<ref name=":8">概率论与统计学5——马尔科夫链（Markov Chain） - 做大饼馅儿的韭菜的文章 - 知乎 <nowiki>https://zhuanlan.zhihu.com/p/274775796</nowiki></ref>，可以帮助我们对状态进行划分。 − − ====滑过Transient和常返Recurrent==== − − 滑过Transient状态是指从该状态出发后，经过任意n步也不存在回到该状态的可能路径。 − − 常返Recurrent状态是指从该状态出发后，经过n步后能够回到该状态。 − − 我们可以定义一个常返状态组为：组中任意两个状态都互相可达。 − − 所以，我们就能把一条马尔科夫链分解成多个常返状态组和若干个滑过态。 − − − − ====周期性==== − − 如果一个常返状态组存在步数 <math>n>1</math>，且每个常返状态 <math>i</math> 只会经过 <math>n</math> 步才会回到 <math>i</math>，那么就可以把这个常返状态组分解成 <math>n</math> 个子集。这里我们借用了知乎上的例子<ref name=":8"/>进行说明： − − 假设一个马尔科夫链的状态按照这样的周期（步数 <math>n=3</math>）循环， − − <math> − \{s_1, s_2\} \rightarrow \{s_3, s_4, s_5\} \rightarrow \{s_6\} \rightarrow \{s_1, s_2\} − </math> − − 我们就可以把状态划分成 <math>\{s_1, s_2\}</math>，<math>\{s_3, s_4, s_5\}</math>，<math>\{s_6\}</math> 三个子集。
→粗粒化方案的优化目标和评价指标
具体来说，只需要知道宏观状态 <math>A^{(t)}</math>，就可以最大化 <math>s^{(t+1)}</math> 的预测效果。
具体来说，只需要知道宏观状态 <math>A^{(t)}</math>，就可以最大化 <math>s^{(t+1)}</math> 的预测效果。
<br/>
<br/>