Epsilon Greedy 在少量武器上表现优于 UCB
Epsilon Greedy Performing better than UCB for small number of arms
我正在使用各种算法实现强盗问题。我面临的问题是 epsilon-greedy 对于 5arms 的性能优于 UCB,对于 epsilon 值为 0.95 的 horizon 2000。
我知道 epsilon-greedy 在 horizon 与许多武器相当时确实表现更好。
但由于我的手臂明显小于 horizon,UCB 应该表现更好。知道为什么会这样吗?
我附上了我的 UCB 实现。
else if(algorithm.compare("UCB") == 0){
if(pulls == 0){
armpullfrequency = new int[numArms];
armRewards = new float[numArms];
armmean = new double[numArms];
UCB = new double[numArms];
for(int i=0; i<numArms; i++){
armpullfrequency[i] = 0;
armRewards[i] = 0.0;
armmean[i] = (double)0;
UCB[i] = (double)0;
}
}
else{
armpullfrequency[pulled_arm] = armpullfrequency[pulled_arm] + 1;
armRewards[pulled_arm] = armRewards[pulled_arm] + reward;
}
int selected_arm = 0;
//int randint = (rand() % 100);
if(pulls<=6){
for(int i=0;i<numArms;i++){
if(armpullfrequency[i]==0){
selected_arm = i;
return selected_arm;
}
}
}
for(int i=0;i<numArms;i++){
int freq = armpullfrequency[i];
float prize = armRewards[i];
double mean = eval_mean(freq, prize);
armmean[i] = mean;
}
for(int i=0; i<numArms;i++){
int freq = armpullfrequency[i];
double mean = armmean[i];
double UCBval = UCBUpdate(mean, freq, pulls);
UCB[i] = UCBval;
}
selected_arm = LargestElementIndex(UCB, numArms);
return(selected_arm);
我的 UCB 和 LargestElementIndex 函数是:-
int LargestElementIndex(double arr[], int size){
int max = 0;
for(int i=0;i<size; i++){
if(arr[i]>max){
max = arr[i];
}
}
return max;
}
int UCBUpdate(double mean, int freq, int pulls){
double result = mean + sqrt((double)2.0 *(log(pulls))/(double)freq);
return result;
}
UCB 的结果是:-
maxMean 0.5805 numTotalPulls 2000 cumulativeReward 716.308
遗憾 = 444.692
Epsilon Greedy 的结果是:-
max 表示 0.5805 numTotalPulls 2000 cumulativeReward 823.948
遗憾=337.052
我怀疑错误在以下代码中:
int LargestElementIndex(double arr[], int size){
int max = 0;
for(int i=0;i<size; i++){
if(arr[i]>max){
max = arr[i];
}
}
return max;
}
这不是 return 具有最大 UCB 值的手臂的索引(这可能是您想要的)。在将其转换为 int
之后,此代码只是 return 数组本身中最大的 UCB 值。这可能会被修复如下:
int LargestElementIndex(double arr[], int size){
double max_val = -1000.0;
int max_idx = -1;
for(int i=0;i<size; i++){
if(arr[i]>max_val){
max_val = arr[i];
max_idx = i;
}
}
return max_idx;
}
我正在使用各种算法实现强盗问题。我面临的问题是 epsilon-greedy 对于 5arms 的性能优于 UCB,对于 epsilon 值为 0.95 的 horizon 2000。 我知道 epsilon-greedy 在 horizon 与许多武器相当时确实表现更好。 但由于我的手臂明显小于 horizon,UCB 应该表现更好。知道为什么会这样吗? 我附上了我的 UCB 实现。
else if(algorithm.compare("UCB") == 0){
if(pulls == 0){
armpullfrequency = new int[numArms];
armRewards = new float[numArms];
armmean = new double[numArms];
UCB = new double[numArms];
for(int i=0; i<numArms; i++){
armpullfrequency[i] = 0;
armRewards[i] = 0.0;
armmean[i] = (double)0;
UCB[i] = (double)0;
}
}
else{
armpullfrequency[pulled_arm] = armpullfrequency[pulled_arm] + 1;
armRewards[pulled_arm] = armRewards[pulled_arm] + reward;
}
int selected_arm = 0;
//int randint = (rand() % 100);
if(pulls<=6){
for(int i=0;i<numArms;i++){
if(armpullfrequency[i]==0){
selected_arm = i;
return selected_arm;
}
}
}
for(int i=0;i<numArms;i++){
int freq = armpullfrequency[i];
float prize = armRewards[i];
double mean = eval_mean(freq, prize);
armmean[i] = mean;
}
for(int i=0; i<numArms;i++){
int freq = armpullfrequency[i];
double mean = armmean[i];
double UCBval = UCBUpdate(mean, freq, pulls);
UCB[i] = UCBval;
}
selected_arm = LargestElementIndex(UCB, numArms);
return(selected_arm);
我的 UCB 和 LargestElementIndex 函数是:-
int LargestElementIndex(double arr[], int size){
int max = 0;
for(int i=0;i<size; i++){
if(arr[i]>max){
max = arr[i];
}
}
return max;
}
int UCBUpdate(double mean, int freq, int pulls){
double result = mean + sqrt((double)2.0 *(log(pulls))/(double)freq);
return result;
}
UCB 的结果是:- maxMean 0.5805 numTotalPulls 2000 cumulativeReward 716.308 遗憾 = 444.692
Epsilon Greedy 的结果是:- max 表示 0.5805 numTotalPulls 2000 cumulativeReward 823.948 遗憾=337.052
我怀疑错误在以下代码中:
int LargestElementIndex(double arr[], int size){
int max = 0;
for(int i=0;i<size; i++){
if(arr[i]>max){
max = arr[i];
}
}
return max;
}
这不是 return 具有最大 UCB 值的手臂的索引(这可能是您想要的)。在将其转换为 int
之后,此代码只是 return 数组本身中最大的 UCB 值。这可能会被修复如下:
int LargestElementIndex(double arr[], int size){
double max_val = -1000.0;
int max_idx = -1;
for(int i=0;i<size; i++){
if(arr[i]>max_val){
max_val = arr[i];
max_idx = i;
}
}
return max_idx;
}