|
5仿真币
对这个算法最直观的理解是这样的:: Q. ], O7 h$ Q6 P- b
! W2 o8 v; j( m; M* Y一个agent在一天的开始时观察这个世界(获得information, 这个information是binary的,比如:天有没有下雨;家里的食物储备多不多),之后根据他获得的information,随机地选择一个action(比如:吃储备着的粮食)。在一天结束(即第二天开始)后,他计算了他的效用(就是满意度),如果效用较初始效用上升,他就会使选择这个action的概率上升一个单位。即整个算法是从information map到probability的一个过程。
' Y; X& Z z( i {' `# k: M1 `5 X* Y. i) J+ E. B: P, q3 ]4 k6 Y& r8 e
以下是对编程有用的具体的算法:
6 q* ~$ s4 h8 b6 n
2 o0 y Y H- a假设现在有2个information, 所以列出所有的排列为[[0 0][0 1][1 0][1 1]]。
) E% e* b; l* |! Z
5 F. K* M \- ~& y1 G8 ~: Q假设有4个actions: a1, a2, a3, a4。每个action所发生的概率分别为p1,p2,p3,p4。, v6 m- O! Z( e- k" g" H. n6 N
0 i8 R3 ^5 p; j3 O3 k" }, f8 \8 f1 }
每一个information vector都对应actions的一个概率分布。初始状态下的对应关系是这样的:
" J+ i8 I3 X: W. Q9 n" K: q
, y: |6 g. X) Z3 O K0 p M [ [0 0] -> [0.25 0.25 0.25 0.25]
Z% i4 `' H$ ?- k( h u9 f [0 1] -> [0.25 0.25 0.25 0.25]
/ {+ s& z/ H# | [1 0] -> [0.25 0.25 0.25 0.25]
* o+ u6 b& m, f5 M5 m/ y [1 1] -> [0.25 0.25 0.25 0.25]9 Z, F" ~% b, T. g1 B
]$ y( P5 q }& Y# {' k
# l* F6 o- T' Q- o( p1 j
好,现在agent开始获得information,比如[0 0],这时,agent就用第一行的[0.25 0.25 0.25 0.25],来随机选择一个行为,假设他选择的是a2。在他做出了这个action之后,假设第二天他发现他的效用上升了,所以他就把a2发生的概率p2上调w,所以概率矩阵的第一行就变成[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]。
: u* A8 D/ O) P* |1 v }+ t6 ?+ _# O3 l1 M
他在第二天的开始又获得information,如果还是[0 0],那么就用[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]来随机选择一个action。但如果是[0 1],那么就还是要用第二行的[0.25 0.25 0.25 0.25]来随机选择一个action。选择完action之后就比较前一天的效用,然后再调整概率。7 K* f; v. _3 n/ j6 i) a
* t$ E8 S2 I, s1 ]/ t
整个算法都在这里了,现在的问题是我根本就不知道从何下手,也不知道这个算法跟模型库中的哪些算法比较相似。
# O7 p2 t1 A! F. s' P* {3 s) R2 N6 _
恳请高人教导! |
|