|
5仿真币
对这个算法最直观的理解是这样的:/ @1 k; i0 b) u, k3 m- Z
; i- P& m/ }; D' |5 s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。# Z: s- D3 g* b. L
1 N+ j( t! L) ]7 A* ]' e$ u以下是对编程有用的具体的算法:
4 @' y ]2 i0 j$ ~( d
/ h. c2 Z, D+ z1 e* ^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]]。 s# s$ d- J* L+ W/ Z* J: H
3 W1 \) ? Z+ A% e; W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。% r: z( w6 c! S$ |
7 O0 C2 d$ [0 |" ~4 \, w& W9 y
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:
: y( Q+ d: T4 j5 E
# Q5 R( X2 U. c4 f* F4 l* ^ [ [0 0] -> [0.25 0.25 0.25 0.25]/ D" j6 K+ O/ Q C9 Z
[0 1] -> [0.25 0.25 0.25 0.25]
) w* \8 V4 V9 V8 N [1 0] -> [0.25 0.25 0.25 0.25]5 j5 s+ Z4 M+ I/ J. m" z* I. p
[1 1] -> [0.25 0.25 0.25 0.25]
\( q. j+ w" S! n+ Q6 g9 p ]# F7 r$ y; j8 R) i
. N% X, n8 I: \ e3 b
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 e4 ^% s( H- P- S+ D7 p, h
: s w6 l* K9 }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。
' [: o; C7 l; [5 N- d0 r# L4 ~7 N. A4 A k4 \/ [2 s
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。* U9 r4 s$ D6 S9 z# t; ^6 n
& I1 U8 h% j' l" n* ~2 |恳请高人教导! |
|