|
5仿真币
对这个算法最直观的理解是这样的:
. X* ]* Q' n" J6 V( h2 j' X5 o
/ _2 H5 F" e7 c8 G! i" z+ A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。1 R n; J" l4 ~" A/ U( e
" E0 P) ?- ^- h9 I8 c4 W8 T2 I5 z以下是对编程有用的具体的算法:
4 p( G. t, T7 _5 V0 V3 g6 G( @3 L! L4 Y
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]]。/ ` |7 l! h, U5 V* \% @ K
* ]4 N$ V: a% k
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。" P) ?; w1 n4 P4 j
1 S. I6 G" o7 ?1 [7 T/ L6 w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:
/ K3 s' f- ?0 p7 o
: H6 C8 B1 x7 y7 \ [ [0 0] -> [0.25 0.25 0.25 0.25]
. }, T# `6 S! J2 Q a; R4 D6 b" V! b* ` [0 1] -> [0.25 0.25 0.25 0.25]
7 q* X1 h) S* D# e/ J1 X [1 0] -> [0.25 0.25 0.25 0.25]
( R* ?' s0 l+ C6 T5 e; v [1 1] -> [0.25 0.25 0.25 0.25]& Q0 O% I6 ~ x. L( t: l
]
5 \" Z6 r; ]7 Y5 I% ?$ F, D6 y* Z a8 a/ `( C
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]。3 ] a0 g2 ~0 Y2 B: |7 C
3 W; A5 Y$ q- p. a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。
& V' z, W: q* k$ ]. E1 Y
# o1 Q* g) q3 X/ ~5 M) R3 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。
: x" q3 L4 ]1 Q9 A7 J+ k/ R% B: _, d5 H9 ]
恳请高人教导! |
|