|
5仿真币
对这个算法最直观的理解是这样的:
1 w3 a6 `: a# X7 p, \+ I/ o: r: p( E' O
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. M" R4 e, {) F9 f$ ^
( ]' b, |& _1 i, d以下是对编程有用的具体的算法:
6 q, r* \" b* P+ M* p, |8 G
; o0 p& b$ ]& U) x/ D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]]。4 G5 {" a- p! C6 r
) W2 H( D$ D4 d% y- ^$ {$ A% K
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。: E8 G' |3 D2 L( C; v) Q; E
$ e, G7 S* K! E3 C+ \& O9 _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:
. U7 B) s2 w# I0 Q# T0 [; d( {+ g
[ [0 0] -> [0.25 0.25 0.25 0.25]
% j5 z6 t- I* g. N/ ~ w3 [ [0 1] -> [0.25 0.25 0.25 0.25]; y: B8 K* t+ X
[1 0] -> [0.25 0.25 0.25 0.25]
. P- z( P' V0 S4 e [1 1] -> [0.25 0.25 0.25 0.25]
. _6 ]1 z2 |, z ]
' ~& J" [& T0 w5 {6 R; I5 X5 p3 P# z: e. R
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]。
9 M$ ]9 u, R4 K2 o3 o- p3 o* |6 o9 ], c
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。
: Y1 }7 n! d* Y) N ?1 k* Z
- [' c, d! R' `5 k* C) ~. l6 e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。" c+ `' I# q3 u- {9 e
; C) A- e/ V5 u8 g$ ~
恳请高人教导! |
|