- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我正在自学学习MDP
和value iteration
,希望有人能提高我的理解。
考虑具有数字 1, 2, 3
的 3 面骰子的问题。如果您掷出 1
或 2
,您将在 $
中获得该值,但如果您掷出 3
,您将输掉你所有的钱和游戏结束(finite horizon problem
)
从概念上讲,我理解这是如何通过以下论坛完成的:
那么让我们分解一下:
由于这是一个finite horizon
问题,我们可以忽略gamma
。
如果我观察到 1
,我可以go
或 stop
。它的效用/值(value)
是:
V(1) = max(Q(1, g), Q(1, s))
Q(1, g) = r + SUM( P( 2 | 1,g) * V(2) + P( 3 | 1,g) * V(3))
Q(1, s) = r + SUM( P( 2 | 1,s) * V(2) + P( 3 | 1,s) * V(3))
where r = 1
我observe 2
,我可以go
或stop
:
V(2) = max(Q(2, g), Q(2, s))
Q(2, g) = r + SUM( P( 1 | 2,g) * V(1) + P( 3 | 1,g) * V(3))
Q(2, s) = r + SUM( P( 1 | 2,s) * V(1) + P( 3 | 1,s) * V(3))
where r = 2
我观察到3,游戏结束。
直觉上 V(3)
是 0
因为游戏已经结束,所以我们可以从 Q(1, g)
。我们在上面也定义了 V(2)
,所以我们可以将其替换为:
Q(1, g) = r + SUM( P( 2 | 1,g) *
MAX ((P( 1 | 2,g) * V(1)) , (P( 1 | 2,s) * V(1))))
这是事情变得糟糕的地方。如果 Q(1, g)
在其解决方案中有自己的定义,我不确定如何解决。这可能是因为数学背景差。
我所理解的是,效用或状态的值(value)会根据奖励而改变,因此决策也会改变。
具体来说,如果掷三给你 $3
而掷一结束游戏,那会影响你的决定,因为效用已经改变。
但我不确定如何编写代码来计算它。
有人可以解释一下动态规划是如何工作的吗?当 Q(1,g)
或 Q(1,s)
在其自己的定义中时,如何求解?
最佳答案
特殊解决方案:
对于您的示例,很容易知道应该选择“go”还是“stop”:有一个货币值 X
,无论您是“go”还是“go”都一样或“停止”,对于所有较小的值,您应该“去”,对于所有较大的值,您应该停止。所以唯一的问题是,这个值是多少:
X=E("stop"|X)=E("go"|X)=1/3(1+X)+1/3(2+x) =>
1/3X=1 =>
X=3
我已经在第一行中使用了即使我选择“走”并赢了我也会在下一轮选择停止。所以知道应该做出什么决定,很容易计算出完美策略的预期胜利,在 python 中:
def calc(money):
PROB=1.0/3.0
if money<3:#go
return PROB*calc(money+1)+PROB*calc(money+2)-PROB*0
else:#stop
return money
print "Expected win:", calc(0)
>>> Expected win: 1.37037037037
一般解决方案:
我不确定上述操作过程是否可以推广到任意场景。然而,还有另一种可能来解决此类问题。
让我们稍微改变一下游戏规则:不再有无限多的回合,而是最多 N
回合。然后你的递归变成:
E(money, N)=max(money, 1/3*E(money+1, N-1)+1/3*E(money+1, N-1))
如您所见,E(money, N)
的值不再取决于自身,而是取决于回合数较少的游戏的结果。
在没有证据的情况下,我声明,您正在寻找的值是 E(money)=lim_{N->infinity} E(money, N)
。
对于您的特殊问题,python 代码如下所示:
PROB=1.0/3.0
MAX_GOS=20#neglect all possibilities with more than 1000 decisions "GO"
LENGTH=2*MAX_GOS+1#per go 2$ are possible
#What is expected value if the game ended now?
expected=range(LENGTH)
for gos_left in range(1,MAX_GOS+1):
next=[0]*len(expected)
for money in range(LENGTH-gos_left*2):
next[money]=max(expected[money], PROB*expected[money+1]+PROB*expected[money+2])#decision stop or go
expected=next
print "Expected win:", expected[0]
>>> Expected win: 1.37037037037
我很高兴这两种方法产生了相同的结果!
关于algorithm - 带值迭代的马尔可夫决策过程动态规划,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45891374/
我的问题:非常具体。我正在尝试想出解析以下文本的最简单方法: ^^domain=domain_value^^version=version_value^^account_type=account_ty
好吧,这就是我的困境: 我正在为 Reddit 子版 block 开发常见问题解答机器人。我在 bool 逻辑方面遇到了麻烦,需要一双更有经验的眼睛(这是我在 Python 中的第一次冒险)。现在,该
它首先遍历所有 y 值,然后遍历所有 x 值。我需要 X 和 y 同时改变。 For x = 3 To lr + 1 For y = 2 To lr anyl.Cells(x, 1)
假设我有一个包含 2 列的 Excel 表格:单元格 A1 到 A10 中的日期和 B1 到 B10 中的值。 我想对五月日期的所有值求和。我有3种可能性: {=SUM((MONTH(A1:A10)=
如何转换 Z-score来自 Z-distribution (standard normal distribution, Gaussian distribution)到 p-value ?我还没有找到
我正在重写一些 Javascript 代码以在 Excel VBA 中工作。由于在这个网站上搜索,我已经设法翻译了几乎所有的 Javascript 代码!但是,有些代码我无法准确理解它在做什么。这是一
我遇到过包含日期格式的时间戳日期的情况。然后我想构建一个图表,显示“点击”项目的数量“每天”, //array declaration $array1 = array("Date" => 0); $a
我是scala的新手! 我的问题是,是否有包含成员的案例类 myItem:Option[String] 当我构造类时,我需要将字符串内容包装在: Option("some string") 要么 So
我正在用 PHP 创建一个登录系统。我需要用户使用他或她的用户名或电子邮件或电话号码登录然后使用密码。因为我知道在 Java 中我们会像 email==user^ username == user 这
我在 C++ 项目上使用 sqlite,但是当我在具有文本值的列上使用 WHERE 时出现问题 我创建了一个 sqlite 数据库: CREATE TABLE User( id INTEGER
当构造函数是显式时,它不用于隐式转换。在给定的代码片段中,构造函数被标记为 explicit。那为什么在 foo obj1(10.25); 情况下它可以工作,而在 foo obj2=10.25; 情况
我知道这是一个主观问题,所以如果需要关闭它,我深表歉意,但我觉得它经常出现,让我想知道是否普遍偏爱一种形式而不是另一种形式。 显然,最好的答案是“重构代码,这样你就不需要测试是否存在错误”,但有时没有
这两个 jQuery 选择器有什么区别? 以下是来自 w3schools.com 的定义: [attribute~=value] 选择器选择带有特定属性,其值包含特定字符串。 [attribute*=
为什么我们需要CSS [attribute|=value] Selector根本当 CSS3 [attribute*=value] Selector基本上完成相同的事情,浏览器兼容性几乎相似?是否存在
我正在解决 regx 问题。我已经有一个像这样的 regx [0-9]*([.][0-9]{2})。这是 amont 格式验证。现在,通过此验证,我想包括不应提供 0 金额。比如 10 是有效的,但
我正在研究计算机科学 A 考试的样题,但无法弄清楚为什么以下问题的正确答案是正确的。 考虑以下方法。 public static void mystery(List nums) { for (
好的,我正在编写一个 Perl 程序,它有一个我收集的值的哈希值(完全在一个完全独立的程序中)并提供给这个 Perl 脚本。这个散列是 (string,string) 的散列。 我想通过 3 种方式对
我有一个表数据如下,来自不同的表。仅当第三列具有值“债务”并且第一列(日期)具有最大值时,我才想从第四列中获取最大值。最终值基于 MAX(DATE) 而不是 MAX(PRICE)。所以用简单的语言来说
我有一个奇怪的情况,只有错误状态保存到数据库中。当“状态”应该为 true 时,我的查询仍然执行 false。 我有具有此功能的 Controller public function change_a
我有一个交易表(针对所需列进行了简化): id client_id value 1 1 200 2 2 150 3 1
我是一名优秀的程序员,十分优秀!