Mathematical methods of reinforcement learning

Russian Mathematical Surveys. 2026. Vol. 81. No. 4(490). P. 3–90.

Беломестный Д. В., Гасников А. В., Гладин Е. Л., Наумов А. А., Rubtsov Artemy, Sapronov Y., Тяпкин Д. Н., Юдин Н. Е.

Ключевые слова: Markov Decision Processes, динамическое программирование Беллмана, dynamic programming, вычислительная и алгоритмическая сложность, Multi-armed bandits, sample complexity, policy gradient, policy gradient methods, методы градиента политики, Preference Optimization, Discounted Markov Decision Process (DMDP), Average Reward Markov Decision Process (AMDP), Constrained Markov Decision Process (CMDP), full-knowledge setting, generative setting, model-free reinforcement learning, forward model setting, управляемый марковский процесс, дисконтированный управляемый марковский процесс, управляемый марковский процесс с усреднённой наградой, управляемый марковский процесс с ограничениями, многорукий бандит