摘要翻译：
现有的基于点的POMDP值迭代算法的复杂度界要么集中在维数诅咒上，要么集中在历史诅咒上。我们导出了一个新的界，它依赖于两者，并使用了折扣可达性的概念；我们的结论可能有助于指导未来的算法设计。我们还讨论了我们的（基于点的）启发式搜索值迭代算法的最新改进。我们的新实现计算更紧的初始界，避免求解线性规划，并更有效地利用稀疏性。
---
英文标题：
《Point-Based POMDP Algorithms: Improved Analysis and Implementation》
---
作者：
Trey Smith, Reid Simmons
---
最新提交年份：
2012
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Artificial Intelligence        人工智能
分类描述：Covers all areas of AI except Vision, Robotics, Machine Learning, Multiagent Systems, and Computation and Language (Natural Language Processing), which have separate subject areas. In particular, includes Expert Systems, Theorem Proving (although this may overlap with Logic in Computer Science), Knowledge Representation, Planning, and Uncertainty in AI. Roughly includes material in ACM Subject Classes I.2.0, I.2.1, I.2.3, I.2.4, I.2.8, and I.2.11.
涵盖了人工智能的所有领域，除了视觉、机器人、机器学习、多智能体系统以及计算和语言（自然语言处理），这些领域有独立的学科领域。特别地，包括专家系统，定理证明（尽管这可能与计算机科学中的逻辑重叠），知识表示，规划，和人工智能中的不确定性。大致包括ACM学科类I.2.0、I.2.1、I.2.3、I.2.4、I.2.8和I.2.11中的材料。
--

---
英文摘要：
  Existing complexity bounds for point-based POMDP value iteration algorithms focus either on the curse of dimensionality or the curse of history. We derive a new bound that relies on both and uses the concept of discounted reachability; our conclusions may help guide future algorithm design. We also discuss recent improvements to our (point-based) heuristic search value iteration algorithm. Our new implementation calculates tighter initial bounds, avoids solving linear programs, and makes more effective use of sparsity.
---
PDF链接：
https://arxiv.org/pdf/1207.1412