Reinforcement Learning im Cournot Duopol (PDF)
Anwendung agentenbasierter Lern-Algorithmen im Cournot-Spiel
Diplomarbeit aus dem Jahr 2007 im Fachbereich VWL - Mikroökonomie, allgemein, Note: 1,7, Ruprecht-Karls-Universität Heidelberg (Alfred-Weber-Institut), Veranstaltung: Wirtschaftstheorie, Sprache: Deutsch, Abstract: Diese Arbeit untersucht den Einsatz...
sofort als Download lieferbar
eBook (pdf)
29.99 €
- Lastschrift, Kreditkarte, Paypal, Rechnung
- Kostenloser tolino webreader
Produktdetails
Produktinformationen zu „Reinforcement Learning im Cournot Duopol (PDF)“
Diplomarbeit aus dem Jahr 2007 im Fachbereich VWL - Mikroökonomie, allgemein, Note: 1,7, Ruprecht-Karls-Universität Heidelberg (Alfred-Weber-Institut), Veranstaltung: Wirtschaftstheorie, Sprache: Deutsch, Abstract: Diese Arbeit untersucht den Einsatz agentenbasierter Lernalgorithmen im wiederholten Cournot-Spiel. Es werden zwei unterschiedliche Implementierungen (eine nach Roth-Erev, die andere nach Watkins Q-Learning) des sogenannten Reinforcement Learning untersucht. Diese Implementierungen werden in die Modellwelt des bekannten Cournot-Spiels gesetzt, um gegeneinander zu spielen. Es sind Arbeiten bekannt, in denen Q-Learning Agengenten, kooperierendes Verhalten lernen. Es ist Ziel dieser Arbeit, die Unterschiede theoretisch herauszuarbeiten und praktisch in Java zu implementieren. Dabei soll die Frage geklärt werden, warum nur Q-Learning kooperierendes Verhalten erzeugt.
Bibliographische Angaben
- Autor: Sandro Bahn
- 2007, 1. Auflage, 62 Seiten, Deutsch
- Verlag: GRIN Verlag
- ISBN-10: 363878620X
- ISBN-13: 9783638786201
- Erscheinungsdatum: 13.06.2007
Abhängig von Bildschirmgröße und eingestellter Schriftgröße kann die Seitenzahl auf Ihrem Lesegerät variieren.
eBook Informationen
- Dateiformat: PDF
- Größe: 1.84 MB
- Ohne Kopierschutz
- Vorlesefunktion
Kommentar zu "Reinforcement Learning im Cournot Duopol"
0 Gebrauchte Artikel zu „Reinforcement Learning im Cournot Duopol“
Zustand | Preis | Porto | Zahlung | Verkäufer | Rating |
---|
Schreiben Sie einen Kommentar zu "Reinforcement Learning im Cournot Duopol".
Kommentar verfassen