|
5仿真币
对这个算法最直观的理解是这样的:
* Y4 w5 @4 u. B; [! W' S' ]# z& n! s
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。
) Q; q) `* Z! H9 }5 P4 [. _, ^) L/ U8 C% L
以下是对编程有用的具体的算法:
9 S5 Y3 [3 }8 P3 t/ x1 r7 A+ c6 S4 I" P, V2 t8 {
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]]。
2 g2 W4 C1 ~0 _- x2 B
/ h: u4 m( y/ d. ~. {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。# l* y0 @/ |; W! B2 K% X L1 ~
4 f# F# W' i; O
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:
+ ~. @$ o# c) ~ n
0 C0 g1 H. K7 s" m6 p [ [0 0] -> [0.25 0.25 0.25 0.25]* a5 d9 s8 R2 R- Q4 U+ A1 [
[0 1] -> [0.25 0.25 0.25 0.25]7 S2 ~) [. a! [. x6 I! T/ j
[1 0] -> [0.25 0.25 0.25 0.25]4 i; R) q7 V. f2 [& q' m) d
[1 1] -> [0.25 0.25 0.25 0.25], R4 P1 _0 `5 v, D8 G# w3 `& ^
]* j6 Y8 g1 v9 ]( E3 J
2 E. V) J% z9 y, e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]。) G1 Q/ e7 }- ~! n
8 a# s% S/ D+ n: e! 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。
3 ?' ]( D4 y5 h2 P8 J) Q+ O5 ^% D; o1 t8 V
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。2 L0 }5 t6 P7 i2 {8 U
. {, K c. J+ l
恳请高人教导! |
|