|
5仿真币
对这个算法最直观的理解是这样的:
* r1 N! |. w$ E% ~- V2 M
% ^' f0 M A2 _) e/ [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。- [4 N' S9 H2 R& O) m* l9 v
3 [* r, O8 A1 c+ q, Q$ Z, q# q, T以下是对编程有用的具体的算法:& m$ n( O( h+ K) s
$ N, }: N8 n8 ?* c" k3 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]]。
, k W. G2 i7 U! s# K
4 p5 _: E, O( X' e* 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 y7 T: X; n/ V
- |+ N5 o% j" q2 _: |) r# x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:
6 H, G2 i# p! k a
# _2 g2 }5 ~' w8 l u [ [0 0] -> [0.25 0.25 0.25 0.25]
+ @4 e; c' B2 Q& M6 v$ | [0 1] -> [0.25 0.25 0.25 0.25]
4 W8 k4 [" [- Q1 g( e5 h [1 0] -> [0.25 0.25 0.25 0.25]
- ^9 t6 R( Y" B [1 1] -> [0.25 0.25 0.25 0.25]* Z2 Q' ^% U( r/ i8 N
]$ f. x& K2 y1 J W
9 F; y. ]0 |2 t. Z* ]! V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]。
8 B8 K6 P1 J# t& m8 E) U4 {* p
. H. X8 S, u) ~" c7 x! t, V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 F2 [9 ^4 s6 [( \1 E: e2 Q5 F: s* _6 N6 _) k5 k- U* I: Q' r2 f$ L
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。
! {9 ^" l+ `+ n5 e
" G7 S- B$ F+ o( l) Z恳请高人教导! |
|