Semi-Markov decision processes with limiting ratio average rewards

ما اثبات می کنیم که یک پروسه تصمیم گیری نیمی مارکف (محدودۀ حالت و عمل) با بازپرداخت مقادیر محدود (عدم تقسیم) بازپرداخت یک سیاست نیمه ثابت مطلوب خالص (یعنی یک سیاست نیمه مارکوف مستقل از شمارش تصادفی تصمیم گیری) است. ما با نشان دادن (با کمک یک نمونه) نتیجه گیری می کنیم که نتیجه نمی تواند بیشتر تقویت شود. یک الگوریتم گام خام، اما گام به گام برای محاسبه چنین سیاست مطلوب داده می شود.