|
5仿真币
对这个算法最直观的理解是这样的:
! r4 T7 H' ^; \6 A+ j4 S% J5 ]& f
1 U) @0 J% {9 d: o% f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。
R. z2 \& Y; Y( \ Q" B- ~# x
( C, B2 Z- w: T以下是对编程有用的具体的算法:5 b1 y' z& k( E& W9 O
2 F ] I+ v5 Q( F5 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]]。. d& x6 `6 t+ g$ C) S. x; W% u
8 ^& Z# x9 @8 ?, |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。* X; k7 d6 Z S9 g6 M/ F
( L& t' w7 \: ^. i
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:
0 U! _ C5 a1 ? t5 Q$ {
- |# k1 {8 l6 T7 _ L2 R6 G- o7 p [ [0 0] -> [0.25 0.25 0.25 0.25]7 I i8 ~0 ?6 {
[0 1] -> [0.25 0.25 0.25 0.25]
) {4 f; F$ Z8 C% G4 p% r9 p0 q [1 0] -> [0.25 0.25 0.25 0.25]
- m( o. L! W3 D8 C [1 1] -> [0.25 0.25 0.25 0.25]
: M% {1 x$ t6 C9 f ]2 F: u! O9 }/ J4 Z5 @3 t
# U( c5 d5 R, J5 _. V2 i7 G; D2 J
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]。' M; }5 m4 L; f9 X4 Z- g" {) A
& O8 _: w5 p. h- K- l# h; S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。
: Y) T# @# l; y# @
, _! Q1 ~0 n# \- ~- i8 a+ k1 u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。/ r( N* M: a7 }$ t5 L, q3 a9 Z
0 S( m8 m1 ^: s
恳请高人教导! |
|