|
|
5仿真币
对这个算法最直观的理解是这样的:
9 R4 y1 G$ u n1 k; J9 Q# b
' o5 t* e5 t9 y+ C: 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 T, `4 \% @/ e/ h, T3 a& _ V Q2 R! U0 ]3 G4 Y
以下是对编程有用的具体的算法:- c, Z3 H, Z0 e% [
1 S6 d$ M: ]/ g' l" G" t* G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]]。4 q# v: T2 B, W& G( i$ w
: I" O; ~2 R) O" K- j& `: p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。
' Q3 C# k2 e. l& R1 @' c: U+ B/ k; B7 G- N% T0 @5 r5 C
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:& k# b! m3 Q( A C* C
+ F. T! L( c* {& M( W9 y [ [0 0] -> [0.25 0.25 0.25 0.25]
_, ]4 v1 ?1 A |1 ^ [0 1] -> [0.25 0.25 0.25 0.25]
# Z, a$ D0 j, J/ r2 s1 u [1 0] -> [0.25 0.25 0.25 0.25]
) W$ t8 D' T" t7 C* }( b1 V [1 1] -> [0.25 0.25 0.25 0.25]) e( x$ R. t, D4 }+ @- i' |
]. N4 B; }/ f* k/ e
! D( }; R" u+ Q9 Q: d
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]。
I9 R G5 e) R# C6 y+ Q& ^: B
: n4 g: E; S/ u$ T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。7 F7 @& s* V- F* ^* H
% V' Q- h4 T8 i l6 x: P
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。$ Z- a1 r, i) d# ~0 `. x) a
2 G! d/ J* x% F( {3 m0 T& {恳请高人教导! |
|