|
|
5仿真币
对这个算法最直观的理解是这样的:
& k. s# g& `5 d1 ~( e, W; j/ V% Y. i1 y _+ G4 L( Y5 E, {2 `
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。* g- I$ n* n) p
H$ s4 d* H' K以下是对编程有用的具体的算法:
1 s% q. z% x+ M- X7 E
+ I# a1 ?* G3 h# f. O$ W% P# f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]]。2 \6 }: O# X% H0 T, j# n+ g
5 @& `/ ]& U" d# u0 h
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。& O1 m9 J& q' ?
6 t* q! j) 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:
" j; o' Z) [& ^3 N. q( `
* H- U( L5 M/ n. Q. Q# Y" \ O [ [0 0] -> [0.25 0.25 0.25 0.25]5 h! h7 Y% P: s1 z3 t% Q
[0 1] -> [0.25 0.25 0.25 0.25]( Z/ N- V+ X# z, B6 \/ Z1 ?, i3 L
[1 0] -> [0.25 0.25 0.25 0.25]8 T* i7 O$ q2 R( I7 w0 P0 s
[1 1] -> [0.25 0.25 0.25 0.25]
8 N4 }+ K4 ~) j- p ]
. z5 R9 K3 c' K8 b( o( h# ~# {8 k( U$ v8 ]
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]。
) h" e- n. U. o0 R# q6 i9 |5 M9 |% t B5 J$ m6 C/ C H
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。
" K) j) p% O. s9 q& ]; ~) F- d/ \, Q
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。
X3 V6 M R5 o; E8 R* G# v$ e7 q! I2 @/ H0 U r$ m! \2 r/ m. K
恳请高人教导! |
|