|
5仿真币
对这个算法最直观的理解是这样的:/ Q. V9 W1 ? W- C/ x: V0 z" z
* o, X. V: l" ^ ?5 W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。1 ^6 ]$ F1 V- {' y! u% I
# ? a0 o" Q3 ?3 t
以下是对编程有用的具体的算法:0 i" w" L' e$ C/ s* L# S
$ s* ?& u- d% S/ k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]]。
' o& G& a; e/ q, O& D" |/ t, T- f) {
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。# {& P& \2 C6 U
9 X( e' k- |6 u; }$ X# Q
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:
3 t' B4 ^% K0 C" H4 ]) U! ]/ w9 x" L5 [: W& u$ N) c6 X
[ [0 0] -> [0.25 0.25 0.25 0.25]
/ s# k0 y1 Y& t: E, W [0 1] -> [0.25 0.25 0.25 0.25]1 k F: I6 u* s+ |2 X
[1 0] -> [0.25 0.25 0.25 0.25]
" r+ a2 F" r4 V4 s/ {$ g" o [1 1] -> [0.25 0.25 0.25 0.25]
0 E7 _( c& ` ^" a ]- x2 F- R3 N2 E2 W
5 t5 ?6 d* x/ J1 f5 o& G7 Y; h8 u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]。; n% [# s0 E9 m/ G
( V5 w, [, ^ F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。
, p% \) }; E- l& F |% H4 v
" O3 @& \: \/ y3 j$ d8 G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。5 `) T( l% D! u0 g p9 x* J
9 X, l; U' k7 o0 k" u; @/ n2 u恳请高人教导! |
|