|
|
5仿真币
对这个算法最直观的理解是这样的:. x: e4 x5 h5 r
. J! T. l, d2 ^' ~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。* m$ {0 k7 E+ N, h, `$ o
' n+ }2 j$ \5 G' X以下是对编程有用的具体的算法:
; r* V! j/ b2 Q* T& e2 t+ u/ Q
1 Z, V: { K; F/ Y6 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]]。
f# I& F. `, v" \9 c4 U: F+ ^% E: c6 S5 l' F& `1 U8 n% C$ f6 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。
6 f: w k" x! p: K* I" [! l {8 o# g; v
: D/ K; r% R' H1 y& H5 _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:
, V. y% E* X0 [$ s. S" }$ b, s. D. P, r' |! a" Y7 m
[ [0 0] -> [0.25 0.25 0.25 0.25]
' z0 y9 M8 ?: R9 u( S [0 1] -> [0.25 0.25 0.25 0.25]2 D: f% j! `9 }5 U1 F0 j1 g
[1 0] -> [0.25 0.25 0.25 0.25], b- v) m. ?# \: i5 |8 x
[1 1] -> [0.25 0.25 0.25 0.25]
5 [2 d) g1 J* a# G ], v7 C- J7 ?8 y3 @9 [8 X0 D
0 v" n+ Q! c% O; A% @6 ]/ n/ U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]。
5 m3 z4 a& h! k3 q- _# @; r6 P6 T* o& Y3 |# X
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。
& ^; R# v4 J1 n8 `# z( `% T; o5 U: F+ \# r! `: A
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。, ]' H2 e" \; a) B& V
. N2 j/ @& j5 z; L恳请高人教导! |
|