.png){kind=icon}
返回
Improving scholarship assignment using approximate dynamic programming: A Chilean case study
.png){kind=icon}
PRE
AI
DOI：10.1016/j.seps.2025.102296.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 以ADP解决的奖学金分配问题建模为MDP
在预算限制和续签不确定性的约束下，年度分配问题被建模为马尔可夫决策过程。采用列生成的近似动态规划（ADP）方案（仿射值函数近似）克服了维度灾难。
• 在预算不变的情况下受益人增加7%至9%
针对智利Beca Presidente de la República的校准模拟显示，与现行行政规则相比，ADP政策可在不增加支出的情况下每年多颁发7%至9%的奖学金。
• 随机续签期限明确保证
当授予新的奖学金时，模型通过将奖学金期限视为由每位学生学业轨迹驱动的随机变量，确保未来所有续签的资金。
• 基于2014年至2020年行政记录的实证案例研究
六份年度续签文件（78个变量）和六份申请文件（51个变量）经过清洗和合并为队列，用于校准模型并对比六种替代政策。
• 数据驱动的分组和转移动态
申请人和获得者按教育水平和社会经济属性聚类；转移概率基于历史份额估计，而新到访者遵循经验平均率的泊松过程。
• 强大的长期性能
在650年时长的50次复制中，ADP政策在七个关键指标上始终优于六种基准策略，包括多颁发4%至13%的奖学金、降低分数线以及提高预算利用率。
Keyword:
Scholarship allocation
Markov Decision Process
Approximate Dynamic Programming
Budget optimization
Stochastic renewal modeling
期刊
S
IF:
5.4
论文数:
399
被引数:
6.4K
机构
引用论文
.png){kind=icon}
Urban water resource management for sustainable environment planning using artificial intelligence techniques使用人工智能技术进行可持续环境规划的城市水资源管理
PREAI
分享收藏An Incentive Dynamic Programming Method for the Optimization of Scholarship Assignment激励动态规划方法用于奖学金分配优化
PREAI
分享收藏
查看更多内容