|
5仿真币
对这个算法最直观的理解是这样的:3 `3 {9 s( s) r! `) x* s1 N% N
& n% f2 I! }) 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。
5 Q" W6 H) x- {& A) H) @0 ^+ q4 z/ W4 |& X7 e, C8 C, q$ T
以下是对编程有用的具体的算法:
3 Q/ V3 _8 \* h/ u& i" ]: g8 I0 _) r8 e1 Q% ]9 }8 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]]。3 q6 u; R8 o4 ~
" N o8 P1 L9 b) ]3 @- G( X* J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。* `8 Q: F4 u* c- H5 ^% k* w
- `* n1 S2 j5 s3 Z
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:
: i; X3 k) E* n$ ]0 q- v! g
% ?6 u: l U: F1 N3 ]. ] [ [0 0] -> [0.25 0.25 0.25 0.25]: O. a$ I7 h! c% m @: N6 L# L. y
[0 1] -> [0.25 0.25 0.25 0.25]7 G9 [0 |: ?6 L' l
[1 0] -> [0.25 0.25 0.25 0.25]% a3 C& }% V2 ]: w
[1 1] -> [0.25 0.25 0.25 0.25]
]) A. @* W+ q, J) l7 m6 U+ X ]
6 F/ r! M- i3 o* f% p5 y3 v2 g% W* F# E+ h8 [( F1 l2 X% p
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]。1 ?% }, b# m z4 D7 P: x9 a# C* w
6 V3 R0 `* o/ {6 k% g4 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。' ~1 n5 [( w# i$ F/ }
+ U z7 k: i: q- ?7 U: l5 h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。3 B- O z6 ]0 F: o! u; [) |) Z3 Q
4 g% l$ u6 y) F* g! Y恳请高人教导! |
|