|
5仿真币
对这个算法最直观的理解是这样的:9 C* U8 M. c& U& U! z
0 s: h1 s& Y0 c& F( \$ U- G1 r; D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。5 Q- b. s9 q/ @; @9 @. v. q
1 g3 f' f( {4 v! s* [' p, J以下是对编程有用的具体的算法:; r5 f( P/ a2 r$ J% X
" I5 v8 i' H2 q6 Q$ t: i) x
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]]。2 L) }3 J8 Q! d. t( I) Z
* b1 c6 |- { G7 h! c, 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。
6 I! r- ~( g% P+ D' O& P" |2 T$ l/ s/ b
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:" f" ^1 e. k/ O. Y
( o y, Q+ b: v% ~2 `2 D' I( S
[ [0 0] -> [0.25 0.25 0.25 0.25]
2 w) z( `8 O3 f) E& j1 g: e [0 1] -> [0.25 0.25 0.25 0.25]
% T: O8 Z9 E5 v [1 0] -> [0.25 0.25 0.25 0.25]! O- C" l* V! [& o- Y" q( {8 T
[1 1] -> [0.25 0.25 0.25 0.25]
/ g4 J. `- H& i& W" Q ]9 T5 S5 j# {) w) U. c0 C: I1 O
; ^7 ?! m) g6 w
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]。% |1 [+ @0 g2 u
3 c1 \& q9 \7 N% `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。
9 T- i* e2 B9 \' I6 ?1 b- P& T) [2 v& y" u
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。: E" r8 y$ i7 U
( Y7 y5 G5 F7 E/ N" o7 }. K, y5 k
恳请高人教导! |
|