|
|
5仿真币
对这个算法最直观的理解是这样的:; \/ \# n) D) u. X
; U' Q5 ]9 v! y: h+ \% Z( e% K
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。
) h7 z: Q. D* M+ z
8 q- K5 `: [/ ~; R3 P6 y以下是对编程有用的具体的算法: W9 Y8 y$ X0 D9 r
6 @$ k/ I W8 e4 \# ~% _0 i
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]]。
% Z6 {& R8 _1 x0 e* A0 H( t9 c3 W9 h, L6 L3 ], A5 z7 D
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。
0 L8 ]8 v1 Y7 i6 L. ?; L% I+ w
! T3 Q4 z. p* U- Z9 K1 a; 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:7 ?( i" a# U [) y% u% p
, G3 ~9 `. Q7 b @" W, |
[ [0 0] -> [0.25 0.25 0.25 0.25]0 `: [, w1 D8 g) b
[0 1] -> [0.25 0.25 0.25 0.25]
# g5 f* i4 l) x$ _& |6 d [1 0] -> [0.25 0.25 0.25 0.25]
- M/ j( n7 u7 H) Z8 m [1 1] -> [0.25 0.25 0.25 0.25], Z' E J8 o# h. b9 G" ~& t9 ]* H
]/ W" F3 Y8 i2 q x" O6 E# C
1 s: J; J& ]6 Z' w( d4 C2 F
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]。% C% n! m" n+ D+ Q" g1 x
: z( q- J6 G; i: d
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。
! r- O+ r' X1 M7 E3 j
& f9 N3 v- A* I4 [9 ?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。
+ ~/ B2 \$ @( K" @0 e
& z2 }& v# k( _6 ?恳请高人教导! |
|