pythonを使用してモンテカルロ木探索のアルゴリズムを作ろうと試みたのですが、どの様に書けばすっきりとなるのか分かりません。
具体的には、展開された子ノードに対する巡回数や勝率の変数を、どう保持してどう参照するべきなのか悩んでいます。
○実装するアルゴリズム概要を書きます。
まずノードがn個あり、それぞれがucb値、成功数、巡回数を持っています。
ucb値は成功数と巡回数と全巡回数によって決まります。
探索はucb値の高いノードに対して行われます(同じ値があった場合はランダム)。
探索に選ばれたノードは巡回数が+1され、別の処理により成功か失敗の値を返し、成功ならばそのノードの成功数を+1します。
一回の探索が終わるごとに全てのノードのucb値は更新されます。
この探索を繰り返すのですが、一つのノードに対する巡回数が一定を超えるとそのノードは展開され、新たに子ノードをm個作ります。この子ノードの数は各親ノードによってばらばらであり、展開する際に別の処理により計算されます。
展開された子ノードそれぞれもucb値、成功数、巡回数を持っており、親ノードが選ばれた際に探索の対象となります。この時、親ノードでは成功失敗の処理は行いません。子ノードのいずれかが選ばれた時、成功の結果は子ノードだけでなく、親ノードにも影響を与えます。
また、子ノードも巡回数が一定を超えるとさらに展開されます。
この探索を一定数行うアルゴリズムとなっています。
以上のアルゴリズムとなるのですが、子ノードが展開された後の挙動をどうやって書けばいいのかさっぱり思いつきません。ごり押しでforとifをいくつも束ねたら作れるのかもという気はするのですが、それでは身にならないので、こちらでアイデアとアドバイスをもらいたく質問しました。
以下は子ノードが展開する前まで書いたコードです。(勝敗やUCB値を計算する関数は説明のみ書いています)
python
1#探索回数 2MONTECARLO_COUNT = 50 3#リーフ展開の訪問回数 4MONTECARLO_VISIT = 5 5 6#最初のノードの数 7n = 5 8#ucb値 9arr_ucb_value = np.zeros([n], dtype="float") 10#成功数 11arr_ucb_success = np.zeros([n], dtype="int") 12#巡回数 13arr_ucb_try = np.zeros([n], dtype="int") 14 15#探索 16for search_count in range(MONTECARLO_COUNT): 17 # max_UCB_random(ノード層でのUCB値配列) : 一番大きなUCB値のノードのindexを返す関数 18 # play_out() : 勝敗を返す関数 勝ちの場合1 それ以外は0 19 # update_UCB(ucb_success, ucb_try, ノード層での全探索数) : UCB値を返す関数 20 21 #探索の結果 22 index = max_UCB_random(arr_ucb_value) 23 arr_ucb_try[index] += 1 24 arr_ucb_success[index] += play_out() 25 26 #UCB値を更新 27 for i in range(5): 28 arr_ucb_value[i] = update_UCB(arr_ucb_success[i], arr_ucb_try[i], np.sum(arr_ucb_try))
回答1件
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2017/12/16 02:12