|
5仿真币
对这个算法最直观的理解是这样的:3 |( [' a3 C: P$ W7 l
3 {8 q, W# d) _+ q8 B* E/ s8 |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。# u' T& x6 ]! ?9 {7 ` M
+ D( ~9 [1 Q A3 `0 F
以下是对编程有用的具体的算法:
: }/ D! D! Z0 V) `* `4 n
+ D# f( y- Y* d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]]。1 T$ t# T! L# E! M* O; o
+ k" v0 T2 N+ g; c3 a d: A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。& [2 q; l3 L0 _1 q) h9 B
5 z% y/ c9 q7 U$ ~ N
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:* d2 I/ q9 q, K0 {# G0 E/ v& @
% \/ O* z# D; Z2 @/ W [ [0 0] -> [0.25 0.25 0.25 0.25]
3 z( S2 ~1 a) [/ L# ^3 B [0 1] -> [0.25 0.25 0.25 0.25]
% l$ c' D+ R2 i6 X7 h9 f [1 0] -> [0.25 0.25 0.25 0.25]
1 B3 }6 V, H8 ? [1 1] -> [0.25 0.25 0.25 0.25]8 _) m2 C% v, U) U( X& T& y, U
]/ H/ V& J' R0 i4 J o
7 Z- |# `$ h2 D+ e A. B7 h
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]。
' J+ N9 P7 N+ v. b) I' Y: U2 Z4 \1 ]) a6 X% x( ]/ ~
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。! y4 G6 G4 a* E9 s
* W% C' Z8 M s; m& |; W) b
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。 F1 _+ `% B7 e4 j! u
, _5 S6 w- `3 {% c9 e! `
恳请高人教导! |
|