我有一个Learning algorithm, 但不会编程，恳请高人教导！

sun_kenny

对这个算法最直观的理解是这样的：

一个agent在一天的开始时观察这个世界（获得information, 这个information是binary的，比如：天有没有下雨；家里的食物储备多不多），之后根据他获得的information，随机地选择一个action（比如：吃储备着的粮食）。在一天结束（即第二天开始）后，他计算了他的效用（就是满意度），如果效用较初始效用上升，他就会使选择这个action的概率上升一个单位。即整个算法是从information map到probability的一个过程。

. p/ q  ~4 I1 m- z以下是对编程有用的具体的算法：
! k8 B# J* w5 z2 ]# y
假设现在有2个information, 所以列出所有的排列为[[0 0][0 1][1 0][1 1]]。
" T1 Y: q+ c) [; U* h" L1 Z% B* F
) x, j* \) c) T1 P4 N* |假设有4个actions: a1, a2, a3, a4。每个action所发生的概率分别为p1,p2,p3,p4。
4 ^- U0 ?5 D$ N( k0 y/ Z/ |
1 ^3 w) ^; W1 @9 L0 C' X每一个information vector都对应actions的一个概率分布。初始状态下的对应关系是这样的：

2 P" i0 u7 c* j      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
/ D  N( ]: ?2 k# |, {3 Y# p        [0 1]  ->  [0.25 0.25 0.25 0.25]
& O4 B4 Q0 O  x$ g+ J        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
& s/ ^- J, M+ j4 J  G+ U" L       ]

, v& x7 O3 C, Y: ~好，现在agent开始获得information，比如[0 0]，这时，agent就用第一行的[0.25 0.25 0.25 0.25]，来随机选择一个行为，假设他选择的是a2。在他做出了这个action之后，假设第二天他发现他的效用上升了，所以他就把a2发生的概率p2上调w，所以概率矩阵的第一行就变成[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]。
; N- K7 d% w* i% b1 _
他在第二天的开始又获得information，如果还是[0 0]，那么就用[0.25-w/3 0.25+w 0.25-w/3 0.25-w/3]来随机选择一个action。但如果是[0 1]，那么就还是要用第二行的[0.25 0.25 0.25 0.25]来随机选择一个action。选择完action之后就比较前一天的效用，然后再调整概率。
5 n: Z9 S) y$ L" j
整个算法都在这里了，现在的问题是我根本就不知道从何下手，也不知道这个算法跟模型库中的哪些算法比较相似。
+ _  y6 z9 G  ?; B
0 \$ c) v6 D! z% w+ j恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

) a- h4 ]8 w  Q! f- i: V# D这么大一个程序，看来只能靠自己了

再问一个小问题吧：我要跨时间地比较效用（把第一天的效用和第二天的效用相比，假设一个tick就是一天）。不太清楚怎么来实现这种跨越tick的变量比较。

sun_kenny

你倒是启发我了。。。。
2 i! \& k, z) F8 s7 u: A  Q, b0 N
  }" f5 x' L9 s. {$ s. }我可以自己定义一个reporter，input就是第几个tick，output就是那个tick时的效用

* O" a" T' g, n. j  w- s) P  O但是程序又不会写了~汗