通过图形上界形式在稳健约束马尔可夫决策过程中识别近优策略

提出了Constraint-Generation Policy Optimization（CGPO）方法，用于优化混合离散-连续马氏决策过程中的策略参数。

CGPO提供有界策略误差保证，并能导出最优策略。

CGPO能够生成最坏情况下的状态轨迹，以诊断策略缺陷，并提供最优操作的反事实解释。

通过双层混合整数非线性优化框架，CGPO实现了最坏情况状态轨迹的最优约束生成。

CGPO利用现代非线性优化器，获得带有有界最优性差的解。

通过显式边际化或概率约束处理随机转换，提供高概率的策略性能保证。

提出了理解不同策略、奖励和转换动力学表达性类的计算复杂性的路线图。

实验证明CGPO在库存控制、水库系统管理和物理控制等领域的适用性。

CGPO提供了一种解决方案，用于推导带有有界性能保证的紧凑且可解释的结构化策略。