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：
- }0 e# a/ ^" x2 |% q: O8 H' W8 M
! {3 n+ Y$ e9 M; f' V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。
4 p# i9 y8 _- z4 p, ~3 C8 l$ U
以下是对编程有用的具体的算法：
3 E: l; T4 w- _  \4 \
, Q4 j# K* B5 H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]]。
! E0 G. f/ c& s. \4 l: c
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。

; @2 E0 ^4 @4 ]  i( H3 w( R7 k- ?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：

/ M# `: q- p% l; c. D' i      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
: t' `1 W, }8 Z        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

+ `/ C, ]0 r. }3 |! z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]。
( o+ r# a3 d; o' x
8 w! V: [9 v% D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。
4 @; N) M& @4 K. L7 ~0 c) P
. c" k  q. E' M1 x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。

8 X/ o3 Q, J! B! f  I恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
0 O5 t/ P7 b) Y! J* J
' y% T3 U$ b% [3 `! K这么大一个程序，看来只能靠自己了

. \6 w1 ]* D; G6 b" q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。。。。
+ T0 m5 A" M$ G6 b0 f, f
3 b/ E1 d. O! t7 T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
! }- |" J6 P. V+ V" j# r- K4 E5 [
但是程序又不会写了~汗