|
5仿真币
对这个算法最直观的理解是这样的:& b2 y; S: p4 J* }1 @) n9 r
! X7 _. e9 M6 `7 C
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。
" E6 W; [& u; r4 P- _5 J3 s5 U* ]( ?2 ~
以下是对编程有用的具体的算法:/ i& a3 ~, l: w6 J
& C3 C/ ]+ Y) {9 i, O4 |( M
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 e. J+ g0 v2 G2 B! f
. X, B/ w0 B! m# m- D4 V" g+ [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。
: l: f' K6 Z) S$ ~# Y% _
& _# c: [7 ~: g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:
+ J. r n* J* m
" l; |- Q9 G% U' c6 V* ^1 [, {, ]3 m [ [0 0] -> [0.25 0.25 0.25 0.25]
: v: G( y2 U1 A- Y0 Q4 D$ a [0 1] -> [0.25 0.25 0.25 0.25]
0 }. U3 F+ P% l1 ]3 ^0 T9 K! x [1 0] -> [0.25 0.25 0.25 0.25]( L6 N5 `# C- J2 \* N
[1 1] -> [0.25 0.25 0.25 0.25]4 u8 w5 T; ^ M+ X$ T6 D" q
]
$ F, Z9 Z. [; F! }3 x: h' u0 k! [9 H9 h3 u# c g% S% h. x$ P+ T5 B0 c3 P
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]。; V$ W9 E. y: K% H2 M% X0 [1 A0 C, G
" M1 l% ]# \( U- e2 U+ K
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。
& K* x9 J1 Z3 Z3 o* h
/ o. @. A8 O! C% ?6 M7 b3 j( L, r, X% R$ t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。
3 w1 { o. f- T- t* Y" o
7 J/ g; f2 ~+ [( B/ I* d9 i I恳请高人教导! |
|