|
5仿真币
对这个算法最直观的理解是这样的:/ M1 M% N# \# m1 _
7 ]# k4 X% [6 h+ \
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。/ Y4 z# ~1 r6 p0 g- q
* P3 {; s( s) m" s以下是对编程有用的具体的算法:# \9 r' q o/ ]) P0 m
- W. e M# W8 s8 p9 ^; O
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]]。( {3 e9 E7 s5 Z$ t9 Q( ~- p
" f( f( Q, ~% n! a$ r
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。$ w" a/ B8 X- \( W
, ]- n# S7 p; s6 z2 v4 p
每一个information vector都对应actions的一个概率分布。初始状态下的对应关系是这样的:
6 S0 k' u: B8 s; T, {/ ~# A0 n, L, y" b h$ u
[ [0 0] -> [0.25 0.25 0.25 0.25]: f6 J4 ^0 i/ \# i! W
[0 1] -> [0.25 0.25 0.25 0.25]- X* Z, U/ [0 S
[1 0] -> [0.25 0.25 0.25 0.25]
( Z# u3 M+ P) C [1 1] -> [0.25 0.25 0.25 0.25]8 v; u8 S, C. X* p$ |$ Y* l
]0 A9 P5 {8 `3 D
& U& f9 J v7 V( R, w好,现在agent开始获得information,比如[0 0],这时,agent就用第一行的[0.25 0.25 0.25 0.25],来随机选择一个行为,假设他选择的是a2。在他做出了这个action之后,假设第二天他发现他的效用上升了,所以他就把a2发生的概率p2上调w,所以概率矩阵的第一行就变成[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]。
1 }1 ~" A% P5 G l! y2 K# w
- @, j) d' P; W4 V他在第二天的开始又获得information,如果还是[0 0],那么就用[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]来随机选择一个action。但如果是[0 1],那么就还是要用第二行的[0.25 0.25 0.25 0.25]来随机选择一个action。选择完action之后就比较前一天的效用,然后再调整概率。
# }0 F& [5 \) A% n- ^
2 |. ]% D) }6 W( L* 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。
$ b0 v" u8 l9 H) P' y5 ?
5 k% w- H ^. P7 ]恳请高人教导! |
|