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：
( D1 J7 n/ X2 ~, b
# e; l8 s$ x; q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: B$ {4 N) @0 B以下是对编程有用的具体的算法：
# G# x; Q( ]- B9 p. {. v
6 ]) [4 s: s4 M2 J5 [5 b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]]。
2 u, k0 _" D$ [$ J
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。
! G7 k7 n+ C5 e4 f) i, r; p
$ y( }* j9 R4 T0 N/ A% I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：

& P) a0 O$ \& f9 k- l$ B, \      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
" f$ ~9 x6 S, H/ Q$ g9 U8 E        [0 1]  ->  [0.25 0.25 0.25 0.25]
  P8 L) }! K& E* a: N/ |% O' ~        [1 0]  ->  [0.25 0.25 0.25 0.25]
9 A/ J: A9 C- ]! C8 J. W        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
; C  \! |+ E7 S. \+ Q. K2 [
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]。
/ P* c2 l. H0 c
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。
/ e. f, k3 t" W
# I* {! G  ^7 Z1 S& b3 i9 f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。
- a, Z, q2 @( a: {( i- q& C
4 ~3 `4 M0 E8 G5 b' q恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

; Z& L, [: K5 O/ J% W这么大一个程序，看来只能靠自己了
6 z4 l8 Z- T) d* K- n% c8 W9 q* N
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。。。。

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

但是程序又不会写了~汗