野良良良猫 发表于 2020-10-16 09:04:05

python用softmax算法实现多摇臂老虎机强化学习的问题

我在网上找到了用贪心算法实现多摇臂老虎机强化学习的代码,把贪心算法换成了softmax算法,但是关于老虎机各个摇臂被选中的概率有一些疑问,代码如下:
import numpy as np
import random

#老虎机的定义
class Bandit:

    def __init__(self, arms_prob):
      self.arms_prob = arms_prob
      self.size = len(self.arms_prob)

    def play(self, i):
      if not 0 <= i < self.size:
            return -1
      else:
            if random.uniform(0, 1) < self.arms_prob:
                return 1
            else:
                return 0

class Model:
    def __init__(self, bandit, temperature=0.2, training_epochs=10000):
      self.bandit = bandit #摇臂老虎机
      self.temperature = temperature #温度参数
      self.training_epochs = training_epochs #尝试次数
      self.values = np.zeros(bandit.size) #摇臂的平均奖赏
      self.times = np.zeros(bandit.size) #尝试次数
      self.p = #摇臂的概率分布
      self.size = bandit.size #摇臂数
      self.result = 0 #回报率最高的摇臂编号

    #计算摇臂选择的概率分布
    def probability(self,index):
      self.a = 0
      for i in range(bandit.size):
            self.a += np.e ** (self.values / self.temperature)
      return (np.e ** (self.values / self.temperature)) / self.a

    def train(self):
      i = 0
      r = 0 #最终的奖赏
      while i <= self.training_epochs:
            index = random.choices(,self.p)#根据权重选取摇臂
            reward = self.bandit.play(index)
            assert reward >= 0 and index >= 0
            self.times += 1
            self.values = 1.0 / (self.times+1) *(self.values * self.times + reward)
            for j in range(bandit.size):
                self.p = self.probability(j)
            # self.p = self.probability(index)
            i += 1
            print("Round %d, choose %d, reward %d " % (i, index, reward))
            print(repr(self.values))
            r += reward #累加奖赏
            # print(repr(self.p))
            sum_ = 0
            for z in range (self.size):
                sum_ += self.p
            print(sum_)

      self.result = self.values.argmax(axis=0)
      print('累积奖赏:',r,' 回报率:', r / self.training_epochs)

bandit = Bandit()
model = Model(bandit, temperature=0.1, training_epochs=30000)
# bandit = Bandit()
# model = Model(bandit, temperature=0.01, training_epochs=3000)
model.train()
print("最佳选择是 %d." % model.result)

在47-49的三行里,我写了两种算摇臂被选中的概率的方法,前一种是每选择一次摇臂,就根据公式将所有摇臂的概率更新一次,我觉得这种似乎比较合理,后一种被我注释掉的,是只更新当次被选中的摇臂的概率。两种实验下来结果都差不多,我想问一下到底应该怎么写。
页: [1]
查看完整版本: python用softmax算法实现多摇臂老虎机强化学习的问题