|
5仿真币
对这个算法最直观的理解是这样的:' v) T J! w8 T' G( T- j' W" L0 \
" V! p) k3 r, u; D& j
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。3 ]8 `3 S& y0 K# K; b
4 c5 s" {* q1 m, L9 z
以下是对编程有用的具体的算法:
; R3 w$ @: S( J; u) n; k! O$ a: G6 n: u
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]]。
& c: K) ^& ] y8 }
$ o9 N- `) \/ 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。+ Y5 y+ ?8 l& Z" f8 {1 E& q" J
* H1 j" g& J# J b8 l1 k) W! ?
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:
% x& l( j% o& d# ]3 d, K5 M1 ~% \% k8 _- g8 C- N
[ [0 0] -> [0.25 0.25 0.25 0.25]# S! Y' {3 e) Z m& }0 M% f
[0 1] -> [0.25 0.25 0.25 0.25]# i& ^; r; f, J H! p5 `
[1 0] -> [0.25 0.25 0.25 0.25]! r8 ]1 T( }# `) Y7 q( N, [ \3 ~
[1 1] -> [0.25 0.25 0.25 0.25]: b2 o, T& l' }
]
! \, W: a2 {' L. i3 ^+ q: E9 z! ^5 v. Q3 C7 @; O
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]。
% R# E. x0 k8 R$ Z1 f; D6 X) m# E7 _+ w! B0 m" W' v" x
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。3 z1 }* R! n- D& n/ U; Z! }
3 x& _9 E+ Z- s7 c) R2 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。8 M, F8 u' ?# v2 a/ ~0 U$ A
" R2 ]4 s2 H9 l恳请高人教导! |
|