|
5仿真币
对这个算法最直观的理解是这样的:4 K; |* w X) x7 ~
. J( l! S: j1 h
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。
9 V' ^* K A- C* R& L
; n4 Y3 z4 ?2 J- X# s) q' N以下是对编程有用的具体的算法:
2 T) `. ?$ i; G0 J7 N5 J; S6 X9 M
5 i) f8 C) G6 m C) 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]]。. F- Y8 V5 Z/ w1 X
# O6 U6 B3 k* ], E5 X5 n
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。3 o# j2 z/ X& d8 I$ m1 h/ a8 [
0 p' ]1 t: g ]; t) A) U% G
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:
* s8 N6 ?" W! X2 Q' r/ W: x8 P& d
* {9 w4 R# p1 i7 Z [ [0 0] -> [0.25 0.25 0.25 0.25]
' i; g I' u* A- F. @& N [0 1] -> [0.25 0.25 0.25 0.25]7 u6 a4 ?, `! x( k7 Y
[1 0] -> [0.25 0.25 0.25 0.25]/ v( l0 Q% d+ _' u1 Z0 a. i
[1 1] -> [0.25 0.25 0.25 0.25]
* ]4 B3 L: v. j0 O" l ]" P7 ^0 s T" g8 z$ A
* K# M5 o0 I3 C9 L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]。* R3 Y- R9 J! q, C- C' U
& H6 W3 Y4 n( Z$ N& 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。; f2 ^5 m" H8 M* G5 H6 a
$ M9 Q( g6 w4 x% C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。0 U, N1 O) \ z8 X5 n N r5 F
9 D6 ]9 y, V5 f% J1 ]% H" j
恳请高人教导! |
|