forked from Naereen/notebooks
/
Introduction_aux_algorithmes_de_bandit__comme_UCB1_et_Thompson_Sampling.py
966 lines (594 loc) · 38.9 KB
/
Introduction_aux_algorithmes_de_bandit__comme_UCB1_et_Thompson_Sampling.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
# coding: utf-8
# # Table of Contents
# <p><div class="lev1 toc-item"><a href="#Introduction-aux-algorithmes-de-bandit-(UCB1,-Thompson-Sampling)" data-toc-modified-id="Introduction-aux-algorithmes-de-bandit-(UCB1,-Thompson-Sampling)-1"><span class="toc-item-num">1 </span>Introduction aux <em>algorithmes de bandit</em> (UCB1, Thompson Sampling)</a></div><div class="lev2 toc-item"><a href="#Problèmes-de-bandit" data-toc-modified-id="Problèmes-de-bandit-11"><span class="toc-item-num">1.1 </span>Problèmes de bandit</a></div><div class="lev3 toc-item"><a href="#Problèmes-stochastiques" data-toc-modified-id="Problèmes-stochastiques-111"><span class="toc-item-num">1.1.1 </span>Problèmes stochastiques</a></div><div class="lev3 toc-item"><a href="#Radio-intelligente-?" data-toc-modified-id="Radio-intelligente-?-112"><span class="toc-item-num">1.1.2 </span>Radio intelligente ?</a></div><div class="lev2 toc-item"><a href="#Simulation-de-problèmes-de-bandit" data-toc-modified-id="Simulation-de-problèmes-de-bandit-12"><span class="toc-item-num">1.2 </span>Simulation de problèmes de bandit</a></div><div class="lev2 toc-item"><a href="#Bras-stochastiques,-de-Bernoulli" data-toc-modified-id="Bras-stochastiques,-de-Bernoulli-13"><span class="toc-item-num">1.3 </span>Bras stochastiques, de Bernoulli</a></div><div class="lev2 toc-item"><a href="#Présentation-des-algorithmes-de-bandit" data-toc-modified-id="Présentation-des-algorithmes-de-bandit-14"><span class="toc-item-num">1.4 </span>Présentation des algorithmes de bandit</a></div><div class="lev2 toc-item"><a href="#Deux-algorithmes-naïfs" data-toc-modified-id="Deux-algorithmes-naïfs-15"><span class="toc-item-num">1.5 </span>Deux algorithmes naïfs</a></div><div class="lev3 toc-item"><a href="#ChoixUniforme" data-toc-modified-id="ChoixUniforme-151"><span class="toc-item-num">1.5.1 </span><code>ChoixUniforme</code></a></div><div class="lev3 toc-item"><a href="#MoyenneEmpirique" data-toc-modified-id="MoyenneEmpirique-152"><span class="toc-item-num">1.5.2 </span><code>MoyenneEmpirique</code></a></div><div class="lev2 toc-item"><a href="#Approche-fréquentiste,-UCB1,-"Upper-Confidence-Bound"" data-toc-modified-id="Approche-fréquentiste,-UCB1,-"Upper-Confidence-Bound"-16"><span class="toc-item-num">1.6 </span>Approche fréquentiste, UCB1, "Upper Confidence Bound"</a></div><div class="lev2 toc-item"><a href="#Approche-bayésienne,-Thompson-Sampling" data-toc-modified-id="Approche-bayésienne,-Thompson-Sampling-17"><span class="toc-item-num">1.7 </span>Approche bayésienne, Thompson Sampling</a></div><div class="lev2 toc-item"><a href="#Exemples-de-simulations" data-toc-modified-id="Exemples-de-simulations-18"><span class="toc-item-num">1.8 </span>Exemples de simulations</a></div><div class="lev3 toc-item"><a href="#Fonctions-pour-l'affichage" data-toc-modified-id="Fonctions-pour-l'affichage-181"><span class="toc-item-num">1.8.1 </span>Fonctions pour l'affichage</a></div><div class="lev3 toc-item"><a href="#Premier-problème,-à-3-bras" data-toc-modified-id="Premier-problème,-à-3-bras-182"><span class="toc-item-num">1.8.2 </span>Premier problème, à 3 bras</a></div><div class="lev3 toc-item"><a href="#Second-problème,-à-9-bras" data-toc-modified-id="Second-problème,-à-9-bras-183"><span class="toc-item-num">1.8.3 </span>Second problème, à 9 bras</a></div><div class="lev3 toc-item"><a href="#Troisième-problème,-simulé-100-fois" data-toc-modified-id="Troisième-problème,-simulé-100-fois-184"><span class="toc-item-num">1.8.4 </span>Troisième problème, simulé 100 fois</a></div><div class="lev3 toc-item"><a href="#Dernier-problème,-simulé-1000-fois" data-toc-modified-id="Dernier-problème,-simulé-1000-fois-185"><span class="toc-item-num">1.8.5 </span>Dernier problème, simulé 1000 fois</a></div><div class="lev2 toc-item"><a href="#Une-autre-politique-d'indice-:-ApproximatedFHGittins" data-toc-modified-id="Une-autre-politique-d'indice-:-ApproximatedFHGittins-19"><span class="toc-item-num">1.9 </span>Une autre politique d'indice : ApproximatedFHGittins</a></div><div class="lev3 toc-item"><a href="#Comparaison-de-ApproximatedFHGittins-avec-les-autres-algorithmes" data-toc-modified-id="Comparaison-de-ApproximatedFHGittins-avec-les-autres-algorithmes-191"><span class="toc-item-num">1.9.1 </span>Comparaison de <code>ApproximatedFHGittins</code> avec les autres algorithmes</a></div><div class="lev2 toc-item"><a href="#Conclusion" data-toc-modified-id="Conclusion-110"><span class="toc-item-num">1.10 </span>Conclusion</a></div>
# # Introduction aux *algorithmes de bandit* (UCB1, Thompson Sampling)
# Ce petit document est un [notebook Jupyter](https://www.jupyter.org), ayant pour but de présenter le concept de problèmes de bandit, comment les simuler et les résoudre, et deux algorithmes conçus dans ce but.
#
# Je ne vais pas donner beaucoup d'explications mathématiques, je conseille plutôt [ce petit article, datant de 2017, en français, écrit par Émilie Kaufmann](http://chercheurs.lille.inria.fr/ekaufman/Matapli_Kaufmann.pdf).
#
# Je préfère me focaliser sur une implémentation simple, claire et concise de chaque morceau nécessaire à la simulation de problèmes et d'algorithmes de bandit.
# J'utilise le [langage de programmation Python](https://www.python.org/).
#
# Dans ce but, j'utilise une approche *objet* : chaque morceau sera une classe, et des *instances* (des *objets*) seront utilisées pour toutes les composantes.
# In[3]:
# Dépendances
import numpy as np
import random as rd
# In[4]:
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(context="notebook", style="darkgrid", palette="hls", font="sans-serif", font_scale=1.4)
from tqdm import tqdm_notebook as tqdm
# ----
# ## Problèmes de bandit
#
# Je ne rentrerai pas trop dans les détails ici. Pour plus d'explications, [cette page Wikipédia (en français)](https://fr.wikipedia.org/wiki/Bandit_manchot_(math%C3%A9matiques)) est très bien faite.
#
# > "Dans le problème dit du bandit manchot, un utilisateur fait face à $K \geq 2$ machines à sou. Chacune donnant une récompense moyenne que l'utilisateur ne connait pas à priori. A chacune de ces actions, il va donc sélectionner une machine permettant de maximiser son gain."
#
# ### Problèmes stochastiques
# On se focalise ici sur des problèmes dits stochastiques : pour chaque bras, $k\in\{1,\dots,K\}$, une [distribution de probabilité](https://fr.wikipedia.org/wiki/Distribution_de_probabilit%C3%A9s) $\nu_k$ est supposée générer les récompense à chaque sélection.
# Les récompenses $r_k(t)$ venant du $k$ième bras sont donc "i.i.d." : indépendentes (les unes des autres) et identiquement distribuées, selon $\nu_k$ :
# $$ \forall t \geq 1, \;\; r_k(t) \sim \nu_k. $$
#
# Un des exemples les plus simples sera de considérer des [lois de Bernoulli](https://fr.wikipedia.org/wiki/Loi_de_Bernoulli), avec des *récompenses binaires*, par exemple pour un traitement médical $r_k(t) = 0$ signifie que le traitement a échoué, et $r_k(t) = 1$ que le traitement a réussi à guérir telle maladie :
# $$ \forall t \geq 1, r_k(t) \in \{0,1\}, \;\text{et}\; r_k(t) \sim \mathrm{B}(\mu_k). $$
#
# ### Radio intelligente ?
# Dans le contexte de la [radio intelligente](http://orbi.ulg.be/bitstream/2268/16757/1/SCS09_Jouini_Wassim.pdf), le vocabulaire change un peu :
#
# - les bras sont des *canaux radio*,
# - les joueurs sont des *objets communiquants*,
# - et des *récompenses binaires* sont obtenues soit avant la communication (avec une écoute du spectre, "sensing", pour l'Accès Opportuniste au Spectre, "OSA"), soit après la communication (avec un "acknowledgement" reçu depuis une station de base),
# - ou bien des *récompenses réelles*, reflétant par exemple le SNR de la communication, le débit, la puissance reçue etc.
# ----
# ## Simulation de problèmes de bandit
#
# Une simple *fonction* suffira ici, pour initialiser un algorithme, le simuler durant $T$ étapes, et stocker les récompenses et les bras tirés.
#
# Il est important de tout stocker pour ensuite pouvoir afficher différentes statistiques sur l'expérience, permettant d'évaluer l'efficacité des différentes algorithmes.
#
# Je préfère donner directement cette fonction afin de fixer les *signatures* des différentes classes qu'on va écrire ensuite :
#
# - Les *bras* ont besoin d'une seule méthode, `tire()` qui donne $r_k(t) \sim \nu_k$ à l'instant $t$ pour la distribution $\nu_k$ du $k^{\text{ième}}$ bras, noté `r_k_t`.
# - Les *algorithmes* ont besoin de trois méthodes :
# + `commence()` pour initialiser l'algorithme, une fois,
# + `A_t = choix()` pour choisir un bras, à chaque instant $t$, noté $A(t) \in \{1,\dots,K\}$,
# + `recompense(A_t, r_k_t)` pour donner la récompense `r_k_t` tirée du bras `A_t`.
# In[5]:
def simulation(bras, algorithme, horizon):
""" Simule l'algorithme donné sur ces bras, durant horizon étapes."""
choix, recompenses = np.zeros(horizon), np.zeros(horizon)
# 1. Initialise l'algorithme
algorithme.commence()
# 2. Boucle en temps, pour t = 0 à horizon - 1
for t in range(horizon):
# 2.a. L'algorithme choisi son bras à essayer
A_t = algorithme.choix()
# 2.b. Le bras k donne une récompense
r_k_t = bras[A_t].tire()
# 2.c. La récompense est donnée à l'algorithme
algorithme.recompense(A_t, r_k_t)
# 2.d. On stocke les deux
choix[t] = A_t
recompenses[t] = r_k_t
# 3. On termine en renvoyant ces deux vecteurs
return recompenses, choix
# ----
# ## Bras stochastiques, de Bernoulli
#
# Les récompenses de tels bras, notées $r_k(t)$ pour le bras $k$ à l'instant $t$, sont tirées de façons identiquement distribuées et indépendantes, selon une loi de Bernoulli :
# $$ \forall t\in\mathbb{N}, \forall k\in\{1,\dots,K\}, r_k(t) \in \{0,1\}, \;\text{et}\; r_k(t) \sim \mathrm{B}(\mu_k). $$
# In[6]:
class Bernoulli():
""" Bras distribués selon une loi de Bernoulli."""
def __init__(self, probabilite):
assert 0 <= probabilite <= 1, "Erreur, probabilite doit être entre 0 et 1 pour un bras de Bernoulli."
self.probabilite = probabilite
def tire(self):
""" Tire une récompense aléatoire."""
return float(rd.random() <= self.probabilite)
# Par exemple, on peut considérer le problème à trois bras ($K = 3$), caractérisé par ces paramètres $\boldsymbol{\mu} = [\mu_1,\dots,\mu_K] = [0.1, 0.5, 0.9]$ :
# In[7]:
mus = [ 0.1, 0.5, 0.9 ]
bras = [ Bernoulli(mu) for mu in mus ]
# On peut prendre 10 échantillons de chaque bras, et vérifier leurs moyennes :
# In[8]:
rd.seed(10000)
T = 10
exemples_echantillons = [ [ bras_k.tire() for _ in range(T) ] for bras_k in bras ]
exemples_echantillons
# In[9]:
np.mean(exemples_echantillons, axis=1)
# > C'est assez proche de $\boldsymbol{\mu} = [\mu_1,\dots,\mu_K] = [0.1, 0.5, 0.9]$... Non ?
# ----
# ## Présentation des algorithmes de bandit
# Comme on l'a dit plus haut, les *algorithmes* ont besoin de trois méthodes :
#
# - `commence()` pour initialiser l'algorithme, une fois. Généralement, il s'agit de remettre à zero les vecteurs de mémoires internes de l'algorithme, et de mettre $t = 0$.
# - `A_t = choix()` pour choisir un bras, à chaque instant $t$, noté $A(t) \in \{1,\dots,K\}$. C'est la partie "intelligente" qui doit être conçue avec soin.
# - `recompense(A_t, r_k_t)` pour donner la récompense `r_k_t` tirée du bras `A_t`. Souvent, il suffit de mettre à jour les deux ou trois vecteurs internes.
#
# En fait, il faut aussi une méthode pour *créer* l'instance de la classe, i.e., une méthode `__init__(K)`, qui demande de simplement connaître $K$, le nombre de bras.
#
# > Bien-sûr, les algorithmes ne doivent pas connaître $\boldsymbol{\mu} = [\mu_1,\dots,\mu_K]$ les paramètres du problème... Sinon l'apprentissage n'a aucun intérêt : il suffit de viser $k^* = \arg\max_k \mu_k$...
#
# - Lisez [ce paragraphe sur la page Wikipédia précédemment citée](https://fr.wikipedia.org/wiki/Bandit_manchot_(math%C3%A9matiques)#R.C3.A9solution_du_probl.C3.A8me), il est assez instructif.
# ----
# ## Deux algorithmes naïfs
# On va commencer par donner deux exemples naïfs :
#
# 1. Un algorithme "stupide" qui choisi un bras de façon complètement uniforme, $A^{1}(t) \sim U(1,\dots,K), \forall t$, à chaque instant $t \in \mathbb{N}$, via la classe `ChoixUniforme`.
#
# 2. Un algorithme moins stupide, mais assez naïf, qui utilise un *estimateur empirique* $\widehat{\mu_k}(t) = \frac{X_k(t)}{N_k(t)}$ de la *moyenne* de chaque bras, et tire $A^{2}(t) \in \arg\max_k \widehat{\mu_k}(t)$ à chaque instant $t \in \mathbb{N}$. Ici, $X_k(t) = \sum_{\tau=0}^{t} \mathbb{1}(A(\tau) = k) r_k(\tau)$ compte les récompenses *accumulées* en tirant le bras $k$, sur les instants $t = 0,\dots,\tau$. Et $N_k(t) = \sum_{\tau=0}^{t} \mathbb{1}(A(\tau) = k)$ compte le nombre de sélections de ce bras $k$. Via la classe `MoyenneEmpirique`.
# ### `ChoixUniforme`
# In[10]:
class ChoixUniforme(object):
"""Algorithme stupide, choix uniforme."""
def __init__(self, K):
"""Crée l'instance de l'algorithme."""
self.K = K
def commence(self):
"""Initialise l'algorithme : rien à faire ici."""
pass
def choix(self):
"""Choix uniforme d'un indice A(t) ~ U(1...K)."""
return rd.randint(0, self.K - 1)
def recompense(self, k, r):
"""Donne une récompense r tirée sur le bras k à l'algorithme : rien à faire ici."""
pass
# ### `MoyenneEmpirique`
# Voilà qui donne une bonne idée de la structure (*"API"*) que vont devoir suivre les différentes algorithmes.
#
# L'algorithme suivant est un peu plus complexe.
# In[11]:
class MoyenneEmpirique(object):
"""Algorithme naïf, qui utilise la moyenne empirique."""
def __init__(self, K):
"""Crée l'instance de l'algorithme."""
self.K = K
# Il nous faut de la mémoire interne
self.recompenses = np.zeros(K) # X_k(t) pour chaque k
self.tirages = np.zeros(K) # N_k(t) pour chaque k
self.t = 0 # Temps t interne
def commence(self):
"""Initialise l'algorithme : remet à zeros chaque X_k et N_k, et t = 0."""
self.recompenses.fill(0)
self.tirages.fill(0)
self.t = 0
def choix(self):
"""Si on a vu tous les bras, on prend celui de moyenne empirique la plus grande."""
# 1er cas : il y a encore des bras qu'on a jamais vu
if np.min(self.tirages) == 0:
k = np.min(np.where(self.tirages == 0)[0])
# 2nd cas : tous les bras ont été essayé
else:
# Notez qu'on aurait pu ne stocker que ce vecteur moyennes_empiriques
moyennes_empiriques = self.recompenses / self.tirages
k = np.argmax(moyennes_empiriques)
self.t += 1 # Inutile ici
return k
def recompense(self, k, r):
"""Donne une récompense r tirée sur le bras k à l'algorithme : met à jour les deux vecteurs internes."""
self.recompenses[k] += r
self.tirages[k] += 1
# ----
# ## Approche fréquentiste, UCB1, "Upper Confidence Bound"
#
# Il s'agit d'une amélioration de l'algorithme précédent, où on utilise un autre *indice*.
#
# Au lieu d'utiliser la moyenne empirique $g_k(t) = \widehat{\mu_k}(t) = \frac{X_k(t)}{N_k(t)}$ et $A(t) = \arg\max_k g_k(t)$, on utilise une borne supérieure d'un intervalle de confiance autour de cette moyenne :
# $$g'_k(t) = \widehat{\mu_k}(t) + \sqrt{\alpha \frac{\log t}{N_k(t)}}.$$
# Et cet *indice* est toujours utilisé pour décider le bras à essayer à chaque instant :
# $$A^{\mathrm{UCB}1}(t) = \arg\max_k g'_k(t).$$
#
# Il faut une constante $\alpha \geq 0$, qu'on choisira $\alpha \geq \frac12$ pour avoir des performances raisonnables. $\alpha$ contrôle le compromis entre *exploitation* et *exploration*, et ne doit pas être trop grand. $\alpha = 1$ est un bon choix par défaut.
#
# > On va gagner du temps en *héritant* de la classe `MoyenneEmpirique` précédente. Ça permet de ne pas réécrire les méthodes qui sont déjà bien écrites.
# In[12]:
class UCB1(MoyenneEmpirique):
"""Algorithme UCB1."""
def __init__(self, K, alpha=1):
"""Crée l'instance de l'algorithme. Par défaut, alpha=1."""
super(UCB1, self).__init__(K) # On laisse la classe mère faire le travaille
assert alpha >= 0, "Erreur : alpha doit etre >= 0."
self.alpha = alpha
def choix(self):
"""Si on a vu tous les bras, on prend celui d'indice moyenne empirique + UCB le plus grand."""
self.t += 1 # Nécessaire ici
# 1er cas : il y a encore des bras qu'on a jamais vu
if np.min(self.tirages) == 0:
k = np.min(np.where(self.tirages == 0)[0])
# 2nd cas : tous les bras ont été essayé
else:
moyennes_empiriques = self.recompenses / self.tirages
ucb = np.sqrt(self.alpha * np.log(self.t) / np.log(self.tirages))
indices = moyennes_empiriques + ucb
k = np.argmax(indices)
return k
# ----
# ## Approche bayésienne, Thompson Sampling
#
# [Ce petit article](http://chercheurs.lille.inria.fr/ekaufman/Matapli_Kaufmann.pdf) explique très bien l'approche bayésienne.
#
# On a besoin de savoir manipuler des posteriors, qui seront les posteriors conjugués des distributions des bras.
#
# Pour des bras de Bernoulli, le posterior conjugué associé est une loi Beta, notée $\mathrm{Beta}(\alpha,\beta)$ pour deux paramètres $\alpha,\beta > 0$.
#
# - Les posteriors sont initialisés à $\mathrm{Beta}(1, 1) = U([0,1])$, c'est-à-dire qu'on met un a priori uniforme sur les $\mu_k$, comme on ne connaît que $\mu_k \in [0,1]$.
# - Comme les *observations* sont binaires, $r_k(t) \in \{0,1\}$, les paramètres $\alpha$,$\beta$ restent entiers.
# In[13]:
from numpy.random import beta
class Beta():
"""Posteriors d'expériences de Bernoulli."""
def __init__(self):
self.N = [1, 1]
def reinitialise(self):
self.N = [1, 1]
def echantillon(self):
"""Un échantillon aléatoire de ce posterior Beta."""
return beta(self.N[1], self.N[0])
def observe(self, obs):
"""Ajoute une nouvelle observation. Si 'obs'=1, augmente alpha, sinon si 'obs'=0, augmente beta."""
self.N[int(obs)] += 1
# Dès qu'on sait manipuler ces postériors Beta, on peut implémenter rapidement le dernier algorithme, Thompson Sampling.
#
# Les paramètres du posterior sur $\mu_k$, i.e., $\alpha_k(t)$,$\beta_k(t)$ seront mis à jour à chaque étape pour compter le nombre d'observations réussies et échouées :
# $$ \alpha_k(t) = 1 + X_k(t) \\ \beta_k(t) = 1 + N_k(t) - X_k(t).$$
#
# La moyenne empirique estimant $\mu_k$ sera, à l'instant $t$,
# $$ \widetilde{\mu_k}(t) = \frac{\alpha_k(t)}{\alpha_k(t) + \beta_k(t)} = \frac{1 + X_k(t)}{2 + N_k(t)} \simeq \frac{X_k(t)}{N_k(t)}.$$
#
# La différence avec UCB1 est que la prise de décision de Thompson Sampling se fait sur un indice, tiré aléatoirement selon les posteriors.
# C'est une *politique d'indice randomisée*.
#
# D'un point de vue bayésien, un *modèle* est tiré selon les posteriors, puis on joue selon le meilleur modèle :
# $$ g''_k(t) \sim \mathrm{Beta}(\alpha_k(t), \beta_k(t)) \\ A^{\mathrm{TS}}(t) = \arg\max_k g''_k(t). $$
# In[14]:
class ThompsonSampling(MoyenneEmpirique):
"""Algorithme Thompson Sampling."""
def __init__(self, K, posterior=Beta):
"""Crée l'instance de l'algorithme. Par défaut, alpha=1."""
self.K = K
# On créé K posteriors
self.posteriors = [posterior() for k in range(K)]
def commence(self):
"""Réinitialise les K posteriors."""
for posterior in self.posteriors:
posterior.reinitialise()
def choix(self):
"""On tire K modèles depuis les posteriors, et on joue dans le meilleur."""
moyennes_estimees = [posterior.echantillon() for posterior in self.posteriors]
k = np.argmax(moyennes_estimees)
return k
def recompense(self, k, r):
"""Observe cette récompense r sur le bras k en mettant à jour le kième posterior."""
self.posteriors[k].observe(r)
# ----
# ## Exemples de simulations
#
# On va comparer, sur deux problèmes, les 4 algorithmes définis plus haut.
#
# Les problèmes sont caractérisés par les moyennes des bras de Bernoulli, $\boldsymbol{\mu} = [\mu_1,\dots,\mu_K]$, et on les suppose ordonnées par ordre décroissant : $\mu_1 > \mu_2 \ge \dots \ge \mu_K$.
#
# On affichera plusieurs choses, dans des graphiques au cours du temps $t = 0, \dots, T$ pour un horizon $T = 1000$ ou $T = 5000$ étapes :
#
# 1. leurs *taux de sélection* du meilleur bras $k^*$, (qui sera toujours $\mu_1$ le premier bras), i.e., $N_k(t) / t$ en $\%$, pour chaque algorithme,
# 2. leurs *récompenses accumulées*, i.e., $R(t) = \sum_{\tau=0}^{t} \sum_{k=1}^{K} X_k(\tau) \mathbb{1}(A(t) = k)$, pour chaque algorithme,
# 3. les *récompenses moyennes*, i.e., $R(t) / t$, qui devrait converger vers $\mu^* = \mu_{k^*} = \mu_1$,
# 4. et enfin leurs *regret*. Cette notion est moins triviale, mais pour notre problème simple il se définit comme la perte, en récompenses accumulées, entre la meilleure stratégie (toujours sélectionner le meilleur bras $k^* = 1$) et la performance de l'algorithme :
# $$ \mathcal{R}(t) = \mu^* t - R(t) $$
# On souhaite maximiser $R(t)$, donc minimiser $\mathcal{R}(t)$.
# Les algorithmes "efficaces" ont typiquement un regret *logarithmique*, i.e., $\mathcal{R}(T) = \mathcal{O}(\log T)$ *asymptotiquement*, ce qu'on souhaiterait vérifier.
# ### Fonctions pour l'affichage
#
# On définit 4 fonctions d'affichage pour ces quantités.
# In[15]:
mpl.rcParams['figure.figsize'] = (15, 8)
# In[16]:
def affiche_selections(choix, noms, kstar=0):
plt.figure()
for i, c in enumerate(choix):
selection_kstar = 1.0 * (c == kstar)
selection_moyenne = np.cumsum(selection_kstar) / np.cumsum(np.ones_like(c))
plt.plot(selection_moyenne, label=noms[i])
plt.legend()
plt.xlabel("Temps discret, $t = 1, ..., T = {}$".format(len(choix[0])))
plt.ylabel("Taux de sélection")
plt.title("Sélection du meilleur bras #{} pour différents algorithmes".format(1 + kstar))
plt.show()
# In[17]:
def affiche_recompenses(recompenses, noms):
plt.figure()
for i, r in enumerate(recompenses):
recompense_accumulee = np.cumsum(r)
plt.plot(recompense_accumulee, label=noms[i])
plt.legend()
plt.xlabel("Temps discret, $t = 1, ..., T = {}$".format(len(choix[0])))
plt.ylabel("Récompenses accumulées")
plt.title("Récompenses accumulées pour différents algorithmes")
plt.show()
# In[18]:
def affiche_recompenses_moyennes(recompenses, noms):
plt.figure()
for i, r in enumerate(recompenses):
recompense_moyenne = np.cumsum(r) / np.cumsum(np.ones_like(r))
plt.plot(recompense_moyenne, label=noms[i])
plt.legend()
plt.xlabel("Temps discret, $t = 1, ..., T = {}$".format(len(choix[0])))
plt.ylabel(r"Récompenses moyennes $\in [0, 1]$")
plt.title("Récompenses moyennes pour différents algorithmes")
plt.show()
# In[21]:
def affiche_regret(recompenses, noms, mustar=1):
plt.figure()
for i, r in enumerate(recompenses):
recompense_accumulee = np.cumsum(r)
regret = mustar * np.cumsum(np.ones_like(r)) - recompense_accumulee
plt.plot(regret, label=noms[i])
plt.legend()
plt.xlabel("Temps discret, $t = 1, ..., T = {}$".format(len(choix[0])))
plt.ylabel("Regret")
plt.title("Regret accumulé pour différents algorithmes")
plt.show()
# ### Premier problème, à 3 bras
# On reprend le problème donné plus haut :
# In[22]:
horizon = 1000
mus = [0.9, 0.5, 0.1]
bras = [ Bernoulli(mu) for mu in mus ]
K = len(mus)
kstar = np.argmax(mus) # = 0
# In[23]:
horizon, mus, bras, K, kstar
# In[24]:
algorithmes = [ChoixUniforme(K), MoyenneEmpirique(K), UCB1(K, alpha=1), ThompsonSampling(K)]
algorithmes
# Pour les légendes, on a besoin des noms des algorithmes :
# In[25]:
noms = ["ChoixUniforme", "MoyenneEmpirique", "UCB1(alpha=1)", "ThompsonSampling"]
# On peut commencer la simulation, pour chaque algorithme.
# In[26]:
get_ipython().run_cell_magic('time', '', 'N = len(algorithmes)\nrecompenses, choix = np.zeros((N, horizon)), np.zeros((N, horizon))\n\nfor i, alg in tqdm(enumerate(algorithmes), desc="Algorithmes"):\n rec, ch = simulation(bras, alg, horizon)\n recompenses[i] = rec\n choix[i] = ch')
# In[27]:
recompenses, choix
# On affiche et vérifie les résultats attendus :
# In[24]:
affiche_selections(choix, noms, kstar)
# In[25]:
affiche_recompenses(recompenses, noms)
# In[26]:
affiche_recompenses_moyennes(recompenses, noms)
# In[27]:
affiche_regret(recompenses, noms, mustar=mus[kstar])
# $\implies$ L'algorithme uniforme est, bien évidemment, très inefficace !
# Il empêche de visualiser le regret des trois autres algorithmes.
#
# Et sur ce problème simple à trois bras, avec *une seule simulation* (donc une variance immense), difficile de savoir lequel des trois algorithmes est le plus efficace...
# ### Second problème, à 9 bras
# In[28]:
horizon = 5000
mus = [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1]
bras = [ Bernoulli(mu) for mu in mus ]
K = len(mus)
kstar = np.argmax(mus) # = 0
# In[29]:
horizon, mus, bras, K, kstar
# On va comparer différents choix de $\alpha$ pour l'algorithme UCB : $\alpha = 4, 1, 0.5, 0.1$.
# In[30]:
algorithmes = [MoyenneEmpirique(K), UCB1(K, alpha=4), UCB1(K, alpha=1), UCB1(K, alpha=0.5), UCB1(K, alpha=0.1), ThompsonSampling(K)]
algorithmes
# Pour les légendes, on a besoin des noms des algorithmes :
# In[31]:
noms = ["MoyenneEmpirique", "UCB1(alpha=4)", "UCB1(alpha=1)", "UCB1(alpha=0.5)", "UCB1(alpha=0.1)", "ThompsonSampling"]
# On peut commencer la simulation, pour chaque algorithme.
# In[32]:
get_ipython().run_cell_magic('time', '', 'N = len(algorithmes)\nrecompenses, choix = np.zeros((N, horizon)), np.zeros((N, horizon))\n\nfor i, alg in tqdm(enumerate(algorithmes), desc="Algorithmes"):\n rec, ch = simulation(bras, alg, horizon)\n recompenses[i] = rec\n choix[i] = ch')
# In[33]:
recompenses, choix
# On affiche et vérifie les résultats attendus :
# In[34]:
affiche_selections(choix, noms, kstar)
# On commence à voir une différence de vitesse de convergence, pour l'identification du meilleur bras.
# In[35]:
affiche_recompenses(recompenses, noms)
# Difficile de différence quel algorithme est le plus efficace, même si clairement les plus grandes valeurs de $\alpha = 4, 1$ pour UCB semblent avoir moins bien fonctionner.
# In[36]:
affiche_recompenses_moyennes(recompenses, noms)
# En terme de récompenses moyennes au cours du temps, les 4 algorithmes les plus efficaces convergent vers $\mu^* = \mu_1 = 0.9$.
# In[37]:
affiche_regret(recompenses, noms, mustar=mus[kstar])
# Encore une fois, une seule simulation ne permet pas vraiment de conclure...
# ### Troisième problème, simulé 100 fois
# On s'intéresse au même problème, mais simulé 100 fois et sur un horizon plus long ($T = 10000$).
#
# On s'intéressera ensuite aux statistiques *moyennes* sur ces 100 répétitions pour les graphiques.
# In[38]:
horizon = 10000
repetitions = 100
mus = [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1]
bras = [ Bernoulli(mu) for mu in mus ]
K = len(mus)
kstar = np.argmax(mus) # = 0
# In[39]:
horizon, repetitions, mus, bras, K, kstar
# On va comparer différents choix de $\alpha$ pour l'algorithme UCB : $\alpha = 4, 1, 0.5, 0.1$.
# In[40]:
algorithmes = [MoyenneEmpirique(K), UCB1(K, alpha=4), UCB1(K, alpha=1), UCB1(K, alpha=0.5), UCB1(K, alpha=0.1), ThompsonSampling(K)]
algorithmes
# Pour les légendes, on a besoin des noms des algorithmes :
# In[41]:
noms = ["MoyenneEmpirique", "UCB1(alpha=4)", "UCB1(alpha=1)", "UCB1(alpha=0.5)", "UCB1(alpha=0.1)", "ThompsonSampling"]
# On peut commencer la simulation, pour chaque algorithme.
# In[42]:
get_ipython().run_cell_magic('time', '', 'N = len(algorithmes)\nrecompenses, choix = np.zeros((N, horizon)), np.zeros((N, horizon))\n\n# Pour chaque répétitions\nfor rep in tqdm(range(repetitions), desc="Répétitions"):\n for i, alg in enumerate(algorithmes):\n rec, ch = simulation(bras, alg, horizon)\n recompenses[i] += rec\n choix[i] += ch\n\n# On moyenne\nrecompenses /= repetitions\nchoix /= repetitions')
# Cette fois, les statistiques accumulées ne sont plus entières.
# In[43]:
recompenses, choix
# On affiche et vérifie les résultats attendus :
# In[44]:
choix = np.floor(choix)
# In[45]:
affiche_selections(choix, noms, kstar)
# On commence à voir une différence de vitesse de convergence, pour l'identification du meilleur bras.
# In[46]:
affiche_recompenses(recompenses, noms)
# Difficile de différence quel algorithme est le plus efficace, même si clairement les plus grandes valeurs de $\alpha = 4, 1$ pour UCB semblent avoir moins bien fonctionner.
# In[47]:
affiche_recompenses_moyennes(recompenses, noms)
# En terme de récompenses moyennes au cours du temps, les 4 algorithmes les plus efficaces convergent vers $\mu^* = \mu_1 = 0.9$.
# In[48]:
affiche_regret(recompenses, noms, mustar=mus[kstar])
# Cette fois, ces 100 simulations permet de conclure quelques points :
#
# - `MoyenneEmpirique` converge rapidement au début, mais son regret $\mathcal{R}(t)$ ne semble pas avoir un profil logarithmique (il faudrait essayer de plus grands horizons pour le confirmer),
# - Les différents `UCB` semblent tous avoir un regret logarithmique, i.e., $\mathcal{R}(t) = \mathcal{O}(\log t)$, et plus le $\alpha$ est petit, plus le regret est bas,
# - `ThompsonSampling` fonctionne très bien, sans avoir à choisir de constante $\alpha$.
# ### Dernier problème, simulé 1000 fois
# On s'intéresse enfin à un problème bien plus difficile, simulé 1000 fois et sur un horizon plus long ($T = 10000$).
# In[49]:
horizon = 10000
repetitions = 1000
mus = [0.3, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.02, 0.02, 0.02, 0.01, 0.01, 0.005, 0.005, 0.001, 0.001]
bras = [ Bernoulli(mu) for mu in mus ]
K = len(mus)
kstar = np.argmax(mus)
# In[50]:
horizon, repetitions, mus, bras, K, kstar
# On va comparer différents choix de $\alpha$ pour l'algorithme UCB : $\alpha = 4, 1, 0.5, 0.1, 0.01, 0.001$.
# In[51]:
algorithmes = [MoyenneEmpirique(K), UCB1(K, alpha=4), UCB1(K, alpha=1),
UCB1(K, alpha=0.5), UCB1(K, alpha=0.1), UCB1(K, alpha=0.01),
UCB1(K, alpha=0.001), ThompsonSampling(K)]
algorithmes
# Pour les légendes, on a besoin des noms des algorithmes :
# In[52]:
noms = ["MoyenneEmpirique", "UCB1(alpha=4)", "UCB1(alpha=1)",
"UCB1(alpha=0.5)", "UCB1(alpha=0.1)", "UCB1(alpha=0.01)",
"UCB1(alpha=0.001)", "ThompsonSampling"]
# On peut commencer la simulation, pour chaque algorithme.
# In[53]:
get_ipython().run_cell_magic('time', '', 'N = len(algorithmes)\nrecompenses, choix = np.zeros((N, horizon)), np.zeros((N, horizon))\n\n# Pour chaque répétitions\nfor rep in tqdm(range(repetitions), desc="Répétitions"):\n for i, alg in enumerate(algorithmes):\n rec, ch = simulation(bras, alg, horizon)\n recompenses[i] += rec\n choix[i] += ch\n\n# On moyenne\nrecompenses /= repetitions\nchoix /= repetitions')
# Cette fois, les statistiques accumulées ne sont plus entières.
# In[54]:
recompenses, choix
# On affiche et vérifie les résultats attendus :
# In[55]:
choix = np.floor(choix)
# In[56]:
affiche_selections(choix, noms, kstar)
# On commence à voir une différence de vitesse de convergence, pour l'identification du meilleur bras.
# In[57]:
affiche_recompenses(recompenses, noms)
# Difficile de différence quel algorithme est le plus efficace, même si clairement les plus grandes valeurs de $\alpha = 4, 1$ pour UCB semblent avoir moins bien fonctionner.
# In[58]:
affiche_recompenses_moyennes(recompenses, noms)
# En terme de récompenses moyennes au cours du temps, les 4 algorithmes les plus efficaces convergent vers $\mu^* = \mu_1 = 0.9$.
# In[59]:
affiche_regret(recompenses, noms, mustar=mus[kstar])
# Cette fois, ces 1000 simulations permet de renforcer les conclusions précédentes :
#
# - `MoyenneEmpirique` converge rapidement au début, mais son regret $\mathcal{R}(t)$ ne semble pas avoir un profil logarithmique (il faudrait essayer de plus grands horizons pour le confirmer),
# - Les différents `UCB1` semblent tous avoir un regret logarithmique, i.e., $\mathcal{R}(t) = \mathcal{O}(\log t)$, et plus le $\alpha$ est petit, plus le regret est bas,
# - Mais si $\alpha$ est trop petit (e.g., $\alpha = 10^{-3}$), `UCB1(alpha)` n'est pas assez exploiteur, et pour ce problème à $K=15$ bras, il ne fonctionne plus bien,
# - `ThompsonSampling` fonctionne très bien, sans avoir à choisir de constante $\alpha$.
# ## Une autre politique d'indice : ApproximatedFHGittins
#
# Je propose de terminer par l'implémentation d'un dernier algorithme, ressemblant beaucoup à `UCB1`, mais qui utilise des indices un peu plus compliqués à calculer.
#
# Il s'agit de l'algorithme proposé en 2016 par Tor Lattimore, dans [cet article](http://www.jmlr.org/proceedings/papers/v49/lattimore16.pdf) (et [sa présentation à COLT'16](https://youtu.be/p8AwKiudhZ4?t=276)), nommé `ApproximatedFHGittins`, pour *Approximated Finite-Horizon Gittins index*, ou Approximation *des Indices de Gittins à Horizon Fini* en français.
#
# Cet algorithme *exige de connaître l'horizon* $T$, et calcule l'indice suivant, au temps $t$ et après $N_k(t)$ sélections du bras $k$ :
# $$ I_k(t) = \frac{X_k(t)}{N_k(t)} + \sqrt{\frac{\alpha}{2 N_k(t)} \log\left( \frac{m}{N_k(t) \log^{1/2}\left( \frac{m}{N_k(t)} \right)} \right)}, \\
# \text{où}\;\; m = T - t + 1.$$
#
# - Notez que ce terme $\log^{1/2}(\dots) = \sqrt(\log(\dots))$ peut être *indéfini*, dès que $m < N_k(t)$, donc en pratique, $\sqrt(\max(0, \log(\dots))$ est préférable, ou alors un horizon *un peu plus grand* peut être utilisé à la place, pour rendre $m$ un peu plus grand (e.g., $T' = 1.1 T$).
# - Si besoin, voir [mon implémentation](http://banditslilian.gforge.inria.fr/docs/Policies.ApproximatedFHGittins.html#Policies.ApproximatedFHGittins.ApproximatedFHGittins.computeIndex).
# In[65]:
class ApproximatedFHGittins(MoyenneEmpirique):
"""Algorithme ApproximatedFHGittins de Tor Lattimore."""
def __init__(self, K, horizon, alpha=1):
"""Crée l'instance de l'algorithme. Par défaut, alpha=1."""
super(ApproximatedFHGittins, self).__init__(K) # On laisse la classe mère faire le travaille
self.horizon = horizon
assert alpha >= 0, "Erreur : alpha doit etre >= 0."
self.alpha = alpha
def choix(self):
"""Si on a vu tous les bras, on prend celui d'indice le plus grand."""
self.t += 1 # Nécessaire ici
# 1er cas : il y a encore des bras qu'on a jamais vu
if np.min(self.tirages) == 0:
k = np.min(np.where(self.tirages == 0)[0])
# 2nd cas : tous les bras ont été essayé
else:
# D'abord les moyennes
moyennes_empiriques = self.recompenses / self.tirages
# Puis le terme supplémentaire
m = self.horizon - self.t + 1
m_sur_Nk = m / self.tirages
logdemi = np.sqrt(np.maximum(0, np.log(m_sur_Nk)))
terme_sup = np.sqrt(self.alpha * np.log(m_sur_Nk / logdemi) / (2. * self.tirages))
indices = moyennes_empiriques + terme_sup
k = np.argmax(indices)
return k
# ### Comparaison de `ApproximatedFHGittins` avec les autres algorithmes
#
# Sur le même problème que précédemment, on va vérifier que ce dernier algorithme est plus efficace que les autres.
# In[66]:
horizon = 10000
repetitions = 1000
mus = [0.3, 0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.02, 0.02, 0.02, 0.01, 0.01, 0.005, 0.005, 0.001, 0.001]
bras = [ Bernoulli(mu) for mu in mus ]
K = len(mus)
kstar = np.argmax(mus)
# In[67]:
horizon, repetitions, mus, bras, K, kstar
# In[68]:
algorithmes = [UCB1(K, alpha=1), UCB1(K, alpha=0.5),
ThompsonSampling(K),
ApproximatedFHGittins(K, 1.1 * T, alpha=4),
ApproximatedFHGittins(K, 1.1 * T, alpha=1),
ApproximatedFHGittins(K, 1.1 * T, alpha=0.5)
]
algorithmes
# In[69]:
noms = ["UCB1(alpha=1)", "UCB1(alpha=0.5)",
"ThompsonSampling",
"ApproximatedFHGittins(T, alpha=4)",
"ApproximatedFHGittins(T, alpha=1)",
"ApproximatedFHGittins(T, alpha=0.5)"
]
# On peut commencer la simulation, pour chaque algorithme.
# In[70]:
get_ipython().run_cell_magic('time', '', 'N = len(algorithmes)\nrecompenses, choix = np.zeros((N, horizon)), np.zeros((N, horizon))\n\n# Pour chaque répétitions\nfor rep in tqdm(range(repetitions), desc="Répétitions"):\n for i, alg in enumerate(algorithmes):\n rec, ch = simulation(bras, alg, horizon)\n recompenses[i] += rec\n choix[i] += ch\n\n# On moyenne\nrecompenses /= repetitions\nchoix /= repetitions')
# Cette fois, les statistiques accumulées ne sont plus entières.
# In[71]:
recompenses, choix
# On affiche et vérifie les résultats attendus :
# In[72]:
choix = np.floor(choix)
# In[73]:
affiche_selections(choix, noms, kstar)
# On commence à voir une différence de vitesse de convergence, pour l'identification du meilleur bras.
# In[74]:
affiche_recompenses(recompenses, noms)
# Difficile de différence quel algorithme est le plus efficace, même si clairement les plus grandes valeurs de $\alpha = 4, 1$ pour UCB semblent avoir moins bien fonctionner.
# In[75]:
affiche_recompenses_moyennes(recompenses, noms)
# En terme de récompenses moyennes au cours du temps, les 4 algorithmes les plus efficaces convergent vers $\mu^* = \mu_1 = 0.9$.
# In[76]:
affiche_regret(recompenses, noms, mustar=mus[kstar])
# In[77]:
affiche_regret(recompenses[2:], noms[2:], mustar=mus[kstar])
# ----
# ## Conclusion
# > Merci d'avoir lu jusqu'ici...
#
# J'espère que ce petit document a pu vous aider à mieux comprendre les bases de la simulation et l'implémentation de problèmes et d'algorithmes de bandits.
#
# J'ai adopté une approche très modulaire, pour chaque composant de la simulation (bras, algorithmes, fonctions de simulation, d'affichages etc).
# C'est une façon de faire, bien-sûr ce n'est pas nécessaire, mais ça me semble clair, efficace et facile à lire et à compléter (si vous voulez rajouter un algorithme de plus).
#
# > - Pour plus de détails, je recommande de lire en détails [ce petit article, datant de 2017, en français, écrit par Émilie Kaufmann](http://chercheurs.lille.inria.fr/ekaufman/Matapli_Kaufmann.pdf).
# > - Cette petite simulation s'inspire de mon environnement plus lourd et plus complet, [AlgoBandits](http://banditslilian.gforge.inria.fr/).