|
5仿真币
对这个算法最直观的理解是这样的:2 X1 r- A H1 Q- q9 Q3 k
6 m* ~; p0 a# V3 @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。% d1 y/ @. }. B0 ?- |2 A, U
/ w9 x* W3 r! v; b' w
以下是对编程有用的具体的算法:( U$ s9 O1 \5 `9 W
; H3 j' S4 ^; U5 {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]]。( C: c8 D9 W4 Q% ?. N+ E* T4 O
; E( N( J+ @! I/ O5 p4 A1 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。
, ~. M5 S" u! k5 h5 z; ~5 A5 W% Y) \& ?& d
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:
2 d1 r x9 R; u
0 p r7 J# b M8 U3 z" W, _+ k [ [0 0] -> [0.25 0.25 0.25 0.25]
7 [' [4 i ~! c' D$ e# v8 c0 j) h Q [0 1] -> [0.25 0.25 0.25 0.25]
2 k5 y5 Y3 Y( w [1 0] -> [0.25 0.25 0.25 0.25]
5 N" M% d, c0 S0 P( x3 `" G [1 1] -> [0.25 0.25 0.25 0.25]& M. x$ D1 Q" N& r
]
" b1 w: }. O+ B, j1 R) G. e+ d# M
2 X' I& T$ _& p9 v6 a6 ~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]。
N: M+ X" n7 k0 a. x5 b% f: d1 d
! z9 G/ z; p- V& ^3 ~3 ^! M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。
' I) `8 m* K U& b d, {; A* c1 E+ D9 i3 v. z
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。
1 l6 J% t4 g* O: S1 A% |+ A1 n' h* c- k) N( `
恳请高人教导! |
|