|
5仿真币
对这个算法最直观的理解是这样的:
8 I3 @- C* J; A) n* a
+ K) @4 k# v5 f/ d( k1 V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 J' L6 m/ Z' j, y' a; B ~4 e6 R% ~% r! J4 q# u
以下是对编程有用的具体的算法:- ~9 k3 P1 ?. W$ h$ i4 Z
5 c$ H' h c; {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]]。
5 K, ]3 O; C$ O a; J
5 s- {( {' d% Y) Z9 l# t8 |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。+ m2 Y; z* R8 j. M: F2 G5 a, `
9 a4 S+ y* ~: 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:% f3 q7 m5 H' \
! I' |6 { Y6 A7 e5 ^
[ [0 0] -> [0.25 0.25 0.25 0.25]
; [2 o% I+ p7 J& [3 B [0 1] -> [0.25 0.25 0.25 0.25]
; [6 Y. [! x% y6 J j( T0 i3 ? [1 0] -> [0.25 0.25 0.25 0.25]
0 D/ W) z( n' L- E [1 1] -> [0.25 0.25 0.25 0.25]
! {" `: n2 d/ d9 b. y ]; t, W8 p8 v# c$ _) F d+ X
/ k6 J8 [ p1 |6 d8 w! D
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]。
( [% B5 ^: x$ X. o" _5 z
* j- o; A) z. k3 O' W1 G: _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。
4 t: [9 v& e0 H; Y' h- d
2 o" c9 E# ~2 c, W( |5 B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。
% R% J# W. E3 k
+ e" @3 K$ \2 l" D' \# D恳请高人教导! |
|