‘МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ „ЛЬВІВСЬКА ПОЛІТЕХНІКА” / Лабораторна робота №2 з дисципліни " Теорія інтелектуальних систем" на тему: «Моделювання простих форм цілеспрямованої поведінки. Дослідження роботи цілеспрямованих автоматів (Learning Automata) у стаціонарному випадковому середовищі» Львів 2017 Мета: Змоделювати та дослідити роботу цілеспрямованого автомату у стаціонарному випадковому середовищі. Варіант: №2 N Модель оптимальної поведінки Конструкція ЦА Кількість доступних агенту дій  2 W1 AD 3   W1 -> Сумарний виграш AD -> Автомат В.І. Крінського ("довірливий" автомат) Код програми: // tis.lab2.2016 // lab2.c #include <stdio.h> #include <stdlib.h> #include <time.h> #include <tchar.h> #include <math.h> #define ENVTYPE 0 #define NACTIONS 3 #define NSTATES 2 #define NSTEPS 200 #define NREPLICAS 1000 #define REWARD 1//+1 #define PENALTY 0//-1 #define LATYPE 2 //3 //4 #define LAMEMSIZE 8 // ---------------------------------------------------------------- // global parameters and values int t; // current time step int T = NSTEPS; // number of time steps = number of interactions between agent and environment int n = NREPLICAS; // number of replicas int nA = NACTIONS; // number of actions int nS = NSTATES; // number of states // ---------------------------------------------------------------- // environment int env = ENVTYPE; // type of environment: // env = 0 -> se (stationary environment) // env = 1 -> ce (commutative environment) float sePa[NACTIONS]; // se: probabilities of rewards for each action int ceState; // ce: current state of commutative environment float cePa[NSTATES][NACTIONS]; // ce: probabilities of reward for each action for each state of environment float cePs[NSTATES][NSTATES]; // ce: probabilities of transition from one state to another // agent int agt = 3; // type of agent: // agt = 0 -> random agent // agt = 1 -> perfect agent // agt = 2 -> learning automaton with linear tactics (Tsetlin's automaton) //agt = 3 -> trustful learning automaton (Krinsky's automaton) // agt = 4 -> inertial learning automaton (Robinson's automaton) int action = 0; // current action = {0, ... ,(nA-1)} int response; // current response of environment = {-1;+1} int paction; // action of perfect agent int memSize = LAMEMSIZE; // memory size of learning automaton int state; // current state of learning automaton // ---------------------------------------------------------------- // results for current replica float sumR; // total reward over time sumR(t) float avrR; // average reward over time avrR(t) = sumR(t)/t // ---------------------------------------------------------------- // tabulated results float _sumR[NSTEPS][NREPLICAS]; float _avrR[NSTEPS][NREPLICAS]; // ---------------------------------------------------------------- // final simulation results float sumRm[NSTEPS]; // mean values of sumR(t) float sumRv[NSTEPS]; // corresponding variances float avrRm[NSTEPS]; // mean values of avrR(t) float avrRv[NSTEPS]; // corresponding variances // ---------------------------------------------------------------- // files for parameters and results char * par_file_name = "d:\\lab2.parameters.txt"; FILE * par_file; char * RA_res_file_name = "d:\\lab2.RA.results.txt"; FILE * RA_res_file; char * PA_res_file_name = "d:\\lab2.PA.results.txt"; FILE * PA_res_file; char * LA_res_file_name = "d:\\lab2.LA.results.txt"; FILE * LA_res_file; // ---------------------------------------------------------------- // uniform discrete probability distribution int uRand(int x) { int _rnum = (int)((float)x * (float)rand() / (float)RAND_MAX); return _rnum; } // ---------------------------------------------------------------- // discrete probability distribution specified by probabilities from <_array> int dRand(float* _array, int size) { int _rnum = size - 1; float _left = 0; float _right = _array[0]; float ftmp = (float)rand() / (float)RAND_MA...