|
5仿真币
对这个算法最直观的理解是这样的:
5 q( U) u/ J4 |: n$ V
! l* _- I7 K! l5 j' L: d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。8 e' s1 M5 Z" E7 }/ F2 o. L
5 ]4 h1 u3 w5 y3 E9 S9 s2 m
以下是对编程有用的具体的算法:
0 U) J0 l+ j6 h- {/ k4 `/ z
5 A4 r3 w1 T' u/ f5 _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]]。
% v' Y9 I4 w( o. Z; x
) R' a' i# t' k3 G' h0 }' e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。
. B [. Z) l9 e. K8 N, _
& j9 K& j& ]2 d: p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:( ~# s. v) [# }0 }; \( p$ k4 o" }
5 z; \: m, W w2 S- }% ^- t
[ [0 0] -> [0.25 0.25 0.25 0.25]5 O1 J4 Y- O/ x4 d& b% y+ |
[0 1] -> [0.25 0.25 0.25 0.25]1 |1 t. F/ j6 q$ A7 D
[1 0] -> [0.25 0.25 0.25 0.25]
8 Q5 G* F& I4 d [1 1] -> [0.25 0.25 0.25 0.25]! \) D; u1 E! ]( f. v. u
]9 n5 u& R6 w1 R* l4 \, k3 p7 R+ N8 N: M
5 G5 E- d8 R: M4 ]2 G, t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]。
5 j0 B' z V' S! K
7 C$ P- f; o7 U/ \; ~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。
/ ^! W' j. q. B- o
) B0 n) T! _$ |8 U& 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。
8 @3 f5 A4 p& U4 Q8 [
$ c7 l, g& x; q. D( a, _9 F/ k6 W恳请高人教导! |
|