|
5仿真币
对这个算法最直观的理解是这样的:
% _0 m0 x1 i) Z8 y- r$ v$ W
/ h- A7 [9 C1 Y, h' P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。
( ?6 O1 S6 D& h) d- _# k
1 |8 q9 J y8 {9 C以下是对编程有用的具体的算法:
" R/ D, [4 g) u/ z' P, k
0 p5 q4 l% y$ E! `1 _0 w" {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]]。
* P) v P% ~! G6 [! u" g+ r
7 M( u! q9 @; ]/ R1 m: 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。
- t8 G+ P \. v/ b, x
% T# \7 I4 W8 z; ]: v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:; C6 B; X/ ]! I `/ o6 u
' V2 A( T* a+ C: h8 v3 g+ R# y [ [0 0] -> [0.25 0.25 0.25 0.25]
9 N5 o3 h' D; d, Q! `, B) e N [0 1] -> [0.25 0.25 0.25 0.25] j/ M' Y8 T; Z, k$ Y
[1 0] -> [0.25 0.25 0.25 0.25]
0 c' J$ c9 u) F! m h [1 1] -> [0.25 0.25 0.25 0.25]
: b2 F+ T. P( y ]& D- [1 G! ~* b B. Z+ d
1 ]* l9 m- v* 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]。
& Y$ d& N: u/ [! b/ n. w m; P* z0 o5 r+ i) z2 D- |/ L
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。% n, t; T4 c1 M; r3 y. H/ F
$ o3 Z6 _( v; D$ C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。# w* ^$ x8 z- l
3 u$ Z/ S, O0 J8 G4 k/ _
恳请高人教导! |
|