|
|
5仿真币
对这个算法最直观的理解是这样的:
9 x3 u4 x# t) N' m, f
9 n' m) }9 q1 a4 A8 |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。$ P# E5 b2 U) M# {: H: m5 Q3 T
8 b0 {) L# z: ^6 x( G3 ^以下是对编程有用的具体的算法:0 W- v7 s* {. L( v
4 k2 s* U5 Q& T8 L
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]]。
6 ?2 O% o: h: `! X0 i2 t$ S7 A: T; b2 A3 M$ D
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。& M8 \' q3 s- @( [& U6 K1 B
1 x, [2 X: A& N# W5 }- V% R% e
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:
% B( B5 O9 E" p$ r" |* x& }: P
+ @ f2 {9 W% s: x" N3 L; }' L [ [0 0] -> [0.25 0.25 0.25 0.25]7 I4 l: ?/ c$ K' Q
[0 1] -> [0.25 0.25 0.25 0.25]
4 B$ n& E2 h6 L1 |) Z [1 0] -> [0.25 0.25 0.25 0.25]
9 c7 ^( D3 n. O [1 1] -> [0.25 0.25 0.25 0.25]+ [0 H/ L7 y3 i9 u
]
* R! W! {8 t+ [$ m5 F3 f% n
9 U+ t0 Q+ c1 X" d) \ w) p5 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]。, q8 \4 B! f1 S+ Q; p( B8 W0 w% E
+ [3 m, ?3 E8 `! X" \' v3 {' ]" O5 H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。
4 G) w7 J5 q% r" u' }6 e' q8 N' k3 |9 H
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。$ l/ g9 z( x: k% u( {, \' o
- @* L1 i' O9 h5 e9 ]. w- {恳请高人教导! |
|