|
|
5仿真币
对这个算法最直观的理解是这样的:
/ t: W K9 q- q4 P1 f
q5 P( i0 l8 N+ M3 y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。* q7 f" l2 i) i' _) }% U
% @) o8 L3 D# g) O$ b) o
以下是对编程有用的具体的算法:
W' u$ r# v3 ^
l& L' x% l. L8 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]]。! i" ^& R) M" a, ]
- z' V. h {0 }( Z) D8 t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。
6 Z' r z2 _/ N( S& h) O/ L% w7 e6 H# e
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:
" |; Y7 |6 M6 p: `
" b0 V- H/ Q8 d. h [ [0 0] -> [0.25 0.25 0.25 0.25]. X% d# m- o1 Q
[0 1] -> [0.25 0.25 0.25 0.25]3 k i4 {5 Z& Q" d* i* c5 f
[1 0] -> [0.25 0.25 0.25 0.25]
) N3 q! }) l X: P1 ^- O9 w [1 1] -> [0.25 0.25 0.25 0.25]0 u1 r, c$ L. N' R
]4 v1 x2 Y+ P: l
0 r5 d: ~# z& G6 S. a5 C9 H
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]。
$ C1 A4 l0 ]3 p: h, j# f% r: K, W. P, ?% Y8 D7 [; |7 f" j
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。, _/ R) F6 p& f/ B+ S
6 a% e" s, J B% \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。' S- ?9 N" |7 A% D4 l
! u* n7 [' U* O1 }恳请高人教导! |
|