|
5仿真币
对这个算法最直观的理解是这样的:
! k$ o9 y9 [1 m( U
4 C" L0 X; \. l# i$ Y& _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。6 a4 J! X/ Q8 M0 e5 m( N" Q& P
: O( q4 ^5 B2 q1 c) W/ V# |以下是对编程有用的具体的算法:
f6 p \' C: J* P* H" [+ [% Y' }# i, ?. h2 [( _
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]]。5 o* ^6 A3 f7 @* M' @) b: [) U. U- d
" _0 V1 v* e/ A, R
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。
4 R. I: D/ } ^2 o0 i+ h. R8 J
% Q- d3 F( w/ B2 t5 Y j4 H& ~2 L7 O. O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:
) P: e3 ]! v$ T4 W y a; X. u
- X/ Q* p$ ]5 x5 _& a& {& l ` [ [0 0] -> [0.25 0.25 0.25 0.25]9 ]3 ]: E7 p8 v$ d$ k# X
[0 1] -> [0.25 0.25 0.25 0.25]
% B" r+ e/ u0 x q [1 0] -> [0.25 0.25 0.25 0.25]# p5 d% W& b" |8 a/ U
[1 1] -> [0.25 0.25 0.25 0.25]
$ Z; g' V* { v% d9 h- p ]
2 {4 ^: e' S* K5 ~0 ~0 `' j* Q* H9 I9 m l% A. m* X
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]。2 S! n3 D1 Q% I" a0 Q* K
9 [2 X! a2 ]# @5 Y2 x1 p
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。. E- P. X$ A( K$ c& ?
3 d q. o% Y1 x( \& n' i
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。5 t0 ?) _1 \( B) H7 w
% [' N) C( A& D2 s* D) W4 _恳请高人教导! |
|