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：
% s5 s" r2 ]9 P/ ^) {9 V3 ~: ]
3 X6 ^: F/ U% K9 [- s# ]5 Z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。

以下是对编程有用的具体的算法：

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。
* i( \8 N) k0 P8 j, g9 U
9 ?; `+ p3 g: u6 G3 t$ c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：
# _5 P: s9 |! V( o
: Z8 q4 V# C* ]7 o      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' q( g, E# c/ U$ _5 D        [0 1]  ->  [0.25 0.25 0.25 0.25]
+ \5 P2 x6 j: y4 I9 o# N( s        [1 0]  ->  [0.25 0.25 0.25 0.25]
% M; p7 N+ f' K/ y. v" ]. A! h0 c        [1 1]  ->  [0.25 0.25 0.25 0.25]
9 s* J& f. ?, D  s6 u       ]
2 j) J; z! Y; v
" ^8 N( ?7 _" x, C3 P6 s0 x+ S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]。
" ?; B" o/ a  K  s
  O, S  r! G- O2 E9 H, d4 X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 F& @7 ^# ?7 C/ |
+ q5 Z; M4 O, Q5 o# e2 E: 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。
, a3 E( v- r5 t0 N: V  N' ~" G
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
2 n# \0 _2 _$ Z" i0 j
. a  h) }$ q/ e" U2 y. k1 U这么大一个程序，看来只能靠自己了

2 J# c8 v+ P& I5 O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。。。。
( |, Q( A# B( j: z+ H/ I
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
/ s# k* B# ]9 r  Q3 t* ?+ w
& _" ]! O- H  `8 c但是程序又不会写了~汗