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：

% U! k( r  I, N1 m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。
3 M* Y" D' \# J9 s* k
/ n; u6 z; P0 O7 v* t以下是对编程有用的具体的算法：
( G* Z& O& \% }+ W7 c
2 b1 P& K2 t3 G5 a: [9 I& k& {" z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]]。

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 i1 _5 L2 _1 r  [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：
; e$ _7 I4 E- W
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
0 }+ s4 s9 S& c7 l$ ]        [0 1]  ->  [0.25 0.25 0.25 0.25]
# V  T8 G) B" `5 s( Y        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
! m, o- U+ R' E5 w       ]
' X# X4 k4 Z. n/ e
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]。

" T. e& \' B5 g4 a0 K# ]1 f. z: s& e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。

. @+ F" P" K1 o7 N9 C- }8 o% |# S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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
" _; s% H# z( m
, c, o% i5 U" H9 f% G这么大一个程序，看来只能靠自己了
3 G, W* `, \, V: R& ]
& u' c- Y; P# a5 O2 N& |4 y( W, e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。。。。
9 I: Y8 `2 k( ?. n# S! A3 ]
, U% l0 C! V- ?; o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

; N3 p2 \: b1 H但是程序又不会写了~汗