|
5仿真币
对这个算法最直观的理解是这样的:
9 \0 R3 q3 n( g L. T) N9 D: |% [' A! |6 f; Z
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。
$ K0 h: a4 w; ^ @3 R% ]3 s) l
0 e$ N. @( L% V& {% M以下是对编程有用的具体的算法:
# C& J/ Q# |& X* @; D; Y0 [) u
1 n2 M5 c; h2 E X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]]。+ j& |$ f, L A% R+ t' Y) \$ @; F
8 @2 l* W0 f( b6 o0 L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。8 R; ]! D+ F- ^" b
5 [% D/ W+ w& V/ j+ I
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:
+ n% {4 A: m' m8 S6 V. w: t1 x
2 x: i# f) X! P' G [ [0 0] -> [0.25 0.25 0.25 0.25]
- m8 q, S$ [) Y' v! _ [0 1] -> [0.25 0.25 0.25 0.25]9 n, j; K# B' P; o5 c' I' u
[1 0] -> [0.25 0.25 0.25 0.25]4 C4 c+ Y, @6 R; p) Y. a# }
[1 1] -> [0.25 0.25 0.25 0.25]% g3 v m( t) c# {, _" D
]
" M4 _( w" ]& I8 P N& s3 Q2 P7 [" d6 B! d: e
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 b& V+ ?# g+ Y" U- Y
0 N* P& y9 g5 R" ]& j% B+ g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。9 L- b5 J; x( F& @; Y* _
; l3 N* t: O0 }: w& I6 E; m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。
, p$ ]% a6 t8 ?9 S8 h
* q; E; E, \/ j3 |) m$ l0 Z恳请高人教导! |
|