|
5仿真币
对这个算法最直观的理解是这样的:
! m4 _1 I0 U7 I @( D# a
( ^. r& M; c4 T( c" R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。) I% K1 h. }& b8 s) U
3 W0 ]4 z+ O1 z以下是对编程有用的具体的算法:! f6 d/ ^. I; s
3 ?+ v# m; ^- W* D3 @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]]。* {7 Z' r; [4 G. r9 s7 L
0 D* C! q' ~0 z& p" I) C
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。( a' H% O% F% p3 A
1 n5 B9 r2 b/ N+ V+ ^+ r3 @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:
; |9 {3 ^- u8 T- ~- O) k, i0 }3 p+ E7 e/ A
[ [0 0] -> [0.25 0.25 0.25 0.25]
' h" c! A O6 ~! w [0 1] -> [0.25 0.25 0.25 0.25]
3 i/ z$ P8 E4 f( }7 G- p [1 0] -> [0.25 0.25 0.25 0.25]7 V, N: G" A7 m7 W5 O7 }: ~1 H
[1 1] -> [0.25 0.25 0.25 0.25], r2 D1 x7 K+ W% w
]) E `* E2 T, T6 P& _1 q( m% L5 M
+ t& Q4 m! _# Q$ i1 ?# i: u
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]。/ D% r3 o% i' \8 V
5 v2 i8 i( b9 z4 V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。
- z* y0 Z' N5 R
3 `1 @& V/ A, {: Z8 @7 x8 c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。8 X3 A" t( Q! @6 h4 \
. L1 y0 z7 N# `0 k. @0 i
恳请高人教导! |
|