參考周志華的《西瓜書》

?第16章強(qiáng)化學(xué)習(xí)

16.2 K-搖臂賭博機(jī)

其實(shí)這個問題的目的就是為了能夠獲得更大的利潤，但是具體怎樣去獲得更大的利潤，用到了兩種算法，一種是epsilon-貪心算法，另一種是Softmax算法，當(dāng)然還有其他方法，具體可以參考http://incompleteideas.net/book/the-book-2nd.html，我在網(wǎng)上也找到了一位博主的博客，好像是翻譯這本書的，寫得挺好的，具體網(wǎng)址如下：https://blog.csdn.net/LagrangeSK

epsilon-貪心算法具體是選擇一個平衡點(diǎn)，下次的行為可以隨機(jī)選取，也可以選擇當(dāng)前收益最大化的行為，并實(shí)時更新動作的收益。而Softmax算法選擇下一次行為是按照概率來選擇，若一個動作的收益較大，則下次選擇該動作的概率也大，并實(shí)時更新概率。具體代碼如下：

            
              # -*- coding: utf-8 -*-
#K臂老虎機(jī)問題
import numpy as np
import random
import matplotlib.pyplot as plt
#K=[1,2,3,4,5]

def init():
    tau=0.1
    epsilon=0.01
    T=3000
    reword=[1,1]
    probability=[0.4,0.2]
    #arm=dict(list(zip(reword,Probability)))
    count=dict.fromkeys(["1",'2'],0)
    Q=dict.fromkeys(["1",'2'],0)
    sum_p=sum([np.exp(i/tau) for i in Q.values()])
    P=[np.exp(i/tau)/sum_p for i in Q.values()]
    return tau,epsilon,T,reword,probability,count,Q,P    
#epsilon-貪心算法
tau,epsilon,T,reword,probability,count,Q,P =init()
r=0
r_all=list()
#Q={"1":0.4,'2':0.2}
for i in range(T):
    if random.uniform(0,1)
              
                random.uniform(0,1) else 0
#    print(v)
    r=(r*(i)+v)/(i+1)
    r_all.append(r)
    count[str(k)] +=1
    Q[str(k)]=Q[str(k)]+(v-Q[str(k)])/count[str(k)]
#    print("平均獎賞為:",r)
plt.plot(list(range(T)),r_all,color='r')

#Softmax算法
r=0
r_all=list()
tau,epsilon,T,reword,probability,count,Q,P =init()
for i in range(T):
    sum_p=sum([np.exp(i/tau) for i in Q.values()])
    P=[np.exp(i/tau)/sum_p for i in Q.values()]
    k=int(np.random.choice(list(Q.keys()),p=P))
    v=reword[k-1] if probability[k-1]>random.uniform(0,1) else 0
    r=(r*(i)+v)/(i+1)
    r_all.append(r)
    count[str(k)] +=1
    Q[str(k)]=Q[str(k)]+(v-Q[str(k)])/count[str(k)]
#    print("平均獎賞為:",r)
plt.plot(list(range(T)),r_all,color='b')
plt.show()    
              
            
          

具體結(jié)果如下：

然后我發(fā)現(xiàn)這一張圖片和書上比較接近，因此我選的這個圖片進(jìn)行展示，書上選擇的圖片顯示效果很好，我個人覺得應(yīng)該也是挑選過的。

其實(shí)在運(yùn)行的過程中，會出現(xiàn)很多種情況，很多次都是前幾次，前?十幾次有可能平均收益突然增大到很大，但是最終都是趨于上述的結(jié)果，至于為什么不同的參數(shù)最終會趨于不同的結(jié)果，我個人人為 “僅探索”的形式為整體的期望，正常的形式（參數(shù)隨機(jī)給）應(yīng)該會逐漸趨于某一個臂（最優(yōu)臂）的期望，至于“僅利用”我有點(diǎn)不太明白。