|
5仿真币
对这个算法最直观的理解是这样的:9 p6 T0 F1 o4 R3 S& C
* ]' _5 o% r9 |7 H2 @$ X
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。" [, [1 b6 r/ {! |
# U8 \8 h: u7 Z0 j* T2 f+ N以下是对编程有用的具体的算法:4 _8 C( V4 @) A% }, k, X9 ~6 k
# Q( E& v' C) L9 o( h; b# H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]]。1 v: i0 P1 ?$ ^6 E) c0 Y
7 S9 Q8 a2 A9 B1 t% | {# X
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。
/ y2 V+ v% L! M- P4 p2 \7 M o) e3 H: }: M
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. M$ E5 O) q
3 P; W' `' S( Z3 W. j [ [0 0] -> [0.25 0.25 0.25 0.25]
8 Y" {1 _& ?$ r1 b [0 1] -> [0.25 0.25 0.25 0.25]. W j- k. }' [. E
[1 0] -> [0.25 0.25 0.25 0.25]0 Z9 [$ c# T0 \; O B" v( r
[1 1] -> [0.25 0.25 0.25 0.25]
4 p( P/ I9 {) o0 E ]
" X8 q+ K( A# ~
, N( q$ m, B" l1 C+ }/ F" m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]。' [' [6 L3 G* p
! K0 L( Z4 f# P; g/ e# b4 Y% b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。
6 a/ A2 K2 t7 m8 _+ E% y& o7 n8 b ]3 \! _1 g
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; [# k/ g$ L* W. P
0 @, v2 i: q* ^. d
恳请高人教导! |
|