|
|
5仿真币
对这个算法最直观的理解是这样的：
C% ?3 ^5 I' _5 m* O! g0 {2 Q
& H& t- } u' W& b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。% M! N, E% b* M3 l5 a, u# t
) S+ q; ]+ C- n, C& t! u7 e
以下是对编程有用的具体的算法：2 J1 M! ?' w) p
) {4 p, D& ?8 t3 f6 F3 g \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]]。" k8 r: o$ q6 i7 i$ O% v
+ e7 L# o! A7 U6 @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。
5 A- s+ k4 \3 v ?. I: D5 b5 W6 \0 J7 x* E3 }; X% J
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：
% V$ F/ Y+ Y b8 M/ V' [$ U6 {. j
[ [0 0] -> [0.25 0.25 0.25 0.25]
. e# V+ _2 Q2 y! V0 G. {/ X [0 1] -> [0.25 0.25 0.25 0.25]) h7 V' u0 _! x5 Z
[1 0] -> [0.25 0.25 0.25 0.25]
4 ?" m9 D4 ?! X [1 1] -> [0.25 0.25 0.25 0.25]
' a9 ~! k% l j, i; n ]
, q/ p3 o: ^9 ~: {) F' `1 `8 @. h1 P/ U( } n
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]。
( @& f8 A5 Q. F8 I3 J5 }
4 a4 |6 W6 k, i1 J- W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。2 ?$ e+ l8 b; T
1 X4 y9 l7 a& T% P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。
' T! d. \* O; B- C2 ~! j# [* K6 X* S9 @
恳请高人教导！ |
|
发表于 2008-6-7 13:39:29
楼主