|
5仿真币
对这个算法最直观的理解是这样的:
2 a# K* U( u$ z" W+ j5 F& s" t1 f& v$ n3 i
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。% ]1 K3 Y8 ^# ]# p: L
0 X" P, Y' N. u9 } T以下是对编程有用的具体的算法:
2 s- l8 c: O3 C
# B4 f& ~: j, E# W7 w: Y, R6 P' ?" M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]]。
) ]9 E6 I& d4 k( M, f: {' ]. ?; X$ C+ U0 V- [2 _9 U
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 |0 F- e% H' X) x% _) L
; t8 N$ J+ N+ u5 B/ V6 r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:
. R0 X& a5 u; B/ q" q
, U. z8 M u$ Z' X" `1 @- w. e [ [0 0] -> [0.25 0.25 0.25 0.25]# T6 w; x1 L) @
[0 1] -> [0.25 0.25 0.25 0.25]( h2 D/ b" Q6 _7 x- {) o5 x
[1 0] -> [0.25 0.25 0.25 0.25]8 x) z& ~. x/ M9 k7 f8 J
[1 1] -> [0.25 0.25 0.25 0.25]
- H! l: x$ T5 _- S, r% ^ ]
; V1 P3 V5 F. L6 M' m0 D% ^- I
# F) k- Z2 C% ]2 S3 Z8 j5 S0 X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]。7 }: y" y9 q: X4 a% v
$ q( B Z/ |* i7 u0 a5 `8 F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。
2 T4 l, f& }1 u* T$ o
" _: d3 C* y! Y, A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。
" Q7 j/ A% K, k0 R8 ?1 Q6 C5 F- B# o5 h/ J$ H+ {0 U
恳请高人教导! |
|