|
5仿真币
对这个算法最直观的理解是这样的:! P' m* ? O- u$ ?/ L/ I- [
* J: n6 e; u+ Z; d d! O/ g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。" [" G7 w/ r, F
. i4 j2 P6 R3 z! r) q以下是对编程有用的具体的算法:- ~0 \+ \7 u& x2 ]& g% ]* V
9 R( D7 v* N% N+ A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]]。
8 r7 y% ^, N, D/ C+ C1 U
; I6 m% |) d' {* s/ A9 l6 C" j+ \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。
3 ~6 s I0 R9 m: [' p% u
/ n8 j% R% j" N2 f. i1 F& I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:
) ~5 [" o! U; P: ]
, |( E% z3 F( ^$ S7 e, q X4 c [ [0 0] -> [0.25 0.25 0.25 0.25]* C& T: n: z/ S5 W" z- _1 P
[0 1] -> [0.25 0.25 0.25 0.25]
" a$ N* t( g4 W7 g; F4 a [1 0] -> [0.25 0.25 0.25 0.25]
: e9 F- ]6 n( ]" x+ E( r' M [1 1] -> [0.25 0.25 0.25 0.25]
1 x! W c; N0 n6 R4 j& N& S ]7 E6 M; W' \ w
- F9 v" q* T8 h' l$ O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]。
. S/ J+ z+ _) c# x8 U" {- u1 t: v- R) s+ r4 g$ f
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。
: U) t" d7 l s8 @' F% J& F
( c% V4 U: e( E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。
. N1 y, J7 A2 q+ r& x$ R3 L6 g; v2 H( g1 R
恳请高人教导! |
|