| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状及趋势 | 第12-16页 |
| 1.2.1 研究现状 | 第12-15页 |
| 1.2.2 研究趋势 | 第15-16页 |
| 1.3 研究内容 | 第16-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 贝叶斯强化学习基础概述 | 第19-27页 |
| 2.1 马尔科夫决策过程 | 第19-20页 |
| 2.2 策略迭代框架 | 第20-23页 |
| 2.2.1 值函数计算 | 第20-22页 |
| 2.2.2 策略迭代算法 | 第22-23页 |
| 2.3 贝叶斯强化学习基本方法 | 第23-26页 |
| 2.3.1 贝叶斯推理 | 第24页 |
| 2.3.2 值函数参数化 | 第24-25页 |
| 2.3.3 模型参数化 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于贝叶斯智能模型学习的策略迭代算法 | 第27-44页 |
| 3.1 智能的贝叶斯模型学习方法 | 第27-31页 |
| 3.1.1 Dirichlet分布 | 第27-28页 |
| 3.1.2 模型学习 | 第28-31页 |
| 3.2 基于探索激励的策略迭代方法 | 第31-32页 |
| 3.3 BML-PI算法 | 第32-35页 |
| 3.3.1 算法描述 | 第32-34页 |
| 3.3.2 算法分析 | 第34-35页 |
| 3.4 仿真实验 | 第35-43页 |
| 3.4.1 单链问题 | 第35-38页 |
| 3.4.2 Maze问题 | 第38-41页 |
| 3.4.3 路口导航问题 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于动作值函数概率估计的异步策略迭代算法 | 第44-59页 |
| 4.1 基于高斯伽玛分布的动作值函数更新方法 | 第44-46页 |
| 4.1.1 动作值的概率分布表示 | 第44-45页 |
| 4.1.2 动作值概率分布参数的更新方式 | 第45-46页 |
| 4.2 基于Myopic-VPI的策略改进方法 | 第46-48页 |
| 4.3 BAPI算法 | 第48-50页 |
| 4.4 算法收敛性分析 | 第50-52页 |
| 4.5 仿真实验 | 第52-57页 |
| 4.5.1 实验：Windy Gridworld问题 | 第53页 |
| 4.5.2 实验结果分析 | 第53-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 基于高斯过程时间差分的在线策略迭代算法 | 第59-68页 |
| 5.1 高斯过程 | 第59-60页 |
| 5.2 基于高斯过程时间差分的动作值函数估计 | 第60-62页 |
| 5.3 算法描述与分析 | 第62-64页 |
| 5.3.1 GPTD-OPI算法 | 第62-63页 |
| 5.3.2 算法分析 | 第63-64页 |
| 5.4 仿真实验 | 第64-66页 |
| 5.4.1 实验描述 | 第64-65页 |
| 5.4.2 实验设置 | 第65-66页 |
| 5.4.3 实验分析 | 第66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 攻读硕士学位期间发表（录用）的论文及参与的项目 | 第77-78页 |
| 一、发表（录用）的论文 | 第77页 |
| 二、科研成果 | 第77页 |
| 三、参加的科研项目 | 第77-78页 |
| 致谢 | 第78-79页 |