|
|
5仿真币
对这个算法最直观的理解是这样的:
9 \" f8 W6 b! Z1 G& ^4 J
+ U) v+ Q1 K/ D, p" 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。' z4 a5 u- v$ G
5 R* u5 ]9 ?' J- y
以下是对编程有用的具体的算法:
( C: t9 c; {4 x/ U8 l$ F! q. J) ], q& A& @, M' x6 D( x
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]]。
' W2 P' G y2 y+ ]! @3 G# |3 h0 _
' D9 _9 y6 k3 W9 T& }% K2 ~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。* @. J& _" w' t- e
, b& |" ]+ P6 W2 ]5 a( _
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: s: I* ?* |, j+ I" e- U
* z2 b1 W% {) @
[ [0 0] -> [0.25 0.25 0.25 0.25]2 F' Y) e) ?6 ]0 [/ D
[0 1] -> [0.25 0.25 0.25 0.25]
% i" {) M1 B a2 g; D [1 0] -> [0.25 0.25 0.25 0.25]3 O2 H/ y) K2 q7 @: |1 P0 B8 W
[1 1] -> [0.25 0.25 0.25 0.25]
& o- w8 o2 D9 _( Y ]
1 \0 n3 F, S9 L, k$ s! `* g7 U0 n, o5 A/ M( V9 C( V& g/ W
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]。4 s! E( f7 Y* R7 R
" v% ]7 {1 R+ S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。
, l( @7 G Y# I# u Y, H4 l1 u( n
. b. _5 d( t4 Q( B; V4 U! O7 R* 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。1 `; t( |2 D. f+ Q j7 t" q
# t; A# ^. k3 z4 N$ Q1 |恳请高人教导! |
|