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：
, g$ J- ^0 _6 ]  V2 i' s1 w
* h% |: Q1 [3 ^/ ^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。
: Q# M  N2 `# h& g% U9 U
以下是对编程有用的具体的算法：
  v5 l" r& _% z2 s% V; E5 x- g
8 c& P  ?# p1 X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 {; L6 G& G* o1 p) r
- S9 [8 Y- }; Z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 t# q& ^0 Q' T
* w( W0 D# O" f4 t8 c      [ [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]
  F( B0 O, b; k8 T        [1 1]  ->  [0.25 0.25 0.25 0.25]
% m1 e" y; B" `# w; ?$ Z( T       ]
) K) a2 O( p3 e$ E
# o' Y' e1 z- m/ F+ Q6 S7 o1 y: 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]。

# L/ }1 o0 @/ l. R; [4 m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。

. ^6 U* l/ y4 w4 \" G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。

. g3 g9 `$ I6 Q* T0 p" G恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

9 h- D/ }* I# @. z' j4 B: M这么大一个程序，看来只能靠自己了
, h! J1 Y9 r+ [; c, V* u
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
7 I# X0 T! @0 ^5 {, `6 O+ W
4 U1 @9 e& {" v% |- Y8 _* I7 X, {但是程序又不会写了~汗