Чому простий рефлексний термостат перемикає обігрівач майже на кожному кроці поблизу цільової температури?

Зіставте конкретну реалізацію або тип інтелектуального агента з ключовим елементом (структурою даних чи параметром), на якому базується логіка його прийняття рішень:

У цільовому круїз-контролі формула: throttle = np.clip(gain × (target − speed),0.0, 1.0) . Що станеться при занадто великому gain (наприклад, )?

Як класична теорія штучного інтелекту (за Расселом і Норвігом) визначає функцію агента (agent function)?

У задачі «ринок» з 100 покупцями, 35 купили товар. Чому дорівнює demand_ratio?

У Vacuum World модельний агент прибирає ефективніше за рефлексного. Яка головна причина?

Цінність ідеальної інформації (VPI) показує наскільки корисною є додаткова інформація для прийняття рішень. Очікувана корисність найкращої дії без додаткової інформації = 43. Після отримання ідеальної інформації агент обирає дію з очікуваною корисністю = 95. Обчисліть . Введіть число, округлене до двох знаків після коми.

В алгоритмі Q-learning вискористовується поняття помилки тимчасової різниці (TD error) обчислюється як . Агент отримав винагороду = 11, максимальне Q-значення наступного стану = 37, поточне значення = 8, фактор дисконтування = 0,69. Обчисліть TD error . Введіть число, округлене до двох знаків після коми.

Агент перебуває у стані, де він нескінченно отримує сталу винагороду = 4 на кожному кроці. Фактор дисконтування = 0,94. Розрахуйте загальну сумарну дисконтовану винагороду . Введіть число, округлене до двох знаків після коми.

В алгоритмі Value Iteration агент у стані виконує дію, яка з імовірністю 1 веде до стану . Винагорода за перехід = 11, поточна цінність наступного стану = 71, фактор дисконтування = 0,95. Обчисліть оновлену цінність за допомогою рівняння (очікування) Беллмана. Введіть число, округлене до двох знаків після коми.