|
|
5仿真币
对这个算法最直观的理解是这样的:
( n" p4 z3 F9 X5 V6 f0 K: i; A7 }5 @$ |. H) I6 L8 c
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。- t8 u e* }# U9 u3 P5 [' x5 G
) s2 r, \0 m1 R1 N7 p5 q以下是对编程有用的具体的算法:
3 A6 c4 v I0 x/ V, U
! w9 @$ I! _" c' J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]]。! C( v) C" t* m9 M8 s U) h: N6 f
9 U) Y3 e6 A2 _' E. E# e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, q/ y- l* p4 ]* Z6 \
+ J9 j5 U, z$ n0 Z" Y. L
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 ~+ s6 r+ ~$ l! @( D* }% |3 ]! ^3 I# m- L9 z
[ [0 0] -> [0.25 0.25 0.25 0.25]
8 |% O1 q6 R" x: g) ~: `) ] [0 1] -> [0.25 0.25 0.25 0.25]
/ Z6 L6 E+ A3 g [1 0] -> [0.25 0.25 0.25 0.25]! N/ f, U( K) x [! R. T3 Q4 L
[1 1] -> [0.25 0.25 0.25 0.25]& \. X; d0 ^$ _, y, ]
]8 \4 a0 _6 G( a5 y
# Q7 _, K8 F/ K% I1 r# U. G8 z# [
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]。
" q- ]1 i% n4 l8 F& j7 }9 V u: g) T% X0 x! c$ v- P0 x
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。
; Q' h- D/ l H3 t, V' {) [% t! O X5 W
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。0 B0 ]8 Z# p; v1 @$ G
2 P+ O- E/ K" m! G$ w8 A0 U- W
恳请高人教导! |
|