|
5仿真币
对这个算法最直观的理解是这样的:7 d Q8 g6 u3 {9 j9 k8 W/ a: \ L N: A
0 f6 r; m, k9 W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。
* A9 `& H* g5 ~6 m
U" y1 P! V0 @* }以下是对编程有用的具体的算法:
. v: [' t. I) x# [6 G
! q8 t/ G w- D. w- I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]]。3 V" E1 M; z1 e4 Z Y, E
) q6 j3 G( _* a3 e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。
- B) s, {8 ?) V% J, T3 v9 }2 K# g# Z" S$ T* I* l5 S# N* `) R4 v
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:' m, r7 o: I, ]
0 \- D7 k% h, X' n" T/ F [ [0 0] -> [0.25 0.25 0.25 0.25]
l: V- R" G3 y! | [0 1] -> [0.25 0.25 0.25 0.25]' k4 s8 Q. S: }/ Q6 b
[1 0] -> [0.25 0.25 0.25 0.25]
5 [0 `1 O. n! {6 Q" M [1 1] -> [0.25 0.25 0.25 0.25]7 D6 g6 e r [* T" N6 E! U
]8 ^9 h$ e0 g) ]3 h3 `
* \% m% @) D R5 D3 {4 i# Z h/ `$ e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+ d0 w* u2 I5 }: M
7 y1 g% {% ^. A( L J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。
. e7 m- X% \2 d' j: H {# y
% I" s1 V9 D2 e1 Q4 z9 _' k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。
/ w3 j4 F; S* Y0 W' t4 u. `! S9 z7 e U5 i. O' U! B% e7 L
恳请高人教导! |
|