|
5仿真币
对这个算法最直观的理解是这样的:% |, Y. E9 `1 J0 ~- ?- G" H' i' @
: V3 s3 Q" O. w) K; x( r3 O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。
" R4 b1 x( X! r* Y: H9 {
- e6 V) n7 Q8 i {# v }! j以下是对编程有用的具体的算法:
7 a/ E- x9 {- }; n; m9 `& l( W1 x9 n( O" t8 ~$ g5 z8 U6 p7 O
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]]。
# ~) l; n" a8 }% v9 z0 n' C- |/ z
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。5 x7 P; }6 \3 B' i3 z0 {" p
; Z) E- ~4 g7 Z, u' M8 c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:
9 w; D2 h) ~3 R; a6 [
8 I z7 g) v9 R! h4 ~ [ [0 0] -> [0.25 0.25 0.25 0.25]0 y2 B. n3 K. r( U0 d
[0 1] -> [0.25 0.25 0.25 0.25]$ q4 X, f; G% g3 p' Y
[1 0] -> [0.25 0.25 0.25 0.25]
% T! I+ |, m; ` [1 1] -> [0.25 0.25 0.25 0.25]: d. P' V2 m1 ]6 q3 O. O6 K
]& N5 L8 P, ?+ t
2 }2 C; ^. O+ O4 Y. a; B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]。0 e; W" ]8 n" ?; F3 {
" G- t! X7 Y& k1 |2 Q
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。8 e8 M! f2 v ~: I9 F$ F
. l; W: I; m6 R7 ^5 ~# |8 q5 }( s$ e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。8 S6 l' a/ E) E- T' q4 L1 |4 {
5 g' Q3 n# _( k5 d
恳请高人教导! |
|