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：

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：
- q4 d7 t8 M5 {, H7 \
9 F1 X* [0 D0 L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]]。
7 U* a; M6 p5 ~4 e0 k$ Q
. H5 x, a- r( q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。

' {$ Q0 v1 |) j0 j( y$ G& {7 M6 S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：

: R& A9 A7 A# v  D( n" w+ I      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
$ S  i7 T5 j+ t7 ?        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
! f  U- z7 t4 a1 v4 K! g       ]
# R- v4 L9 Q8 j: g
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]。
$ j$ `2 X& O( D8 d. @
, {* P! C/ L5 B; p6 `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。
  o( `, a) y% O
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。
. O; ~# p+ T' Z0 |/ ~$ n
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
/ @6 u/ Z, I/ y+ S% B
0 m) u+ Y* a8 e( q8 }这么大一个程序，看来只能靠自己了

# T* O7 }3 m- S' A& ~  n& j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。。。。

1 Z# ~* H7 J" ?1 A: ]; i; b$ K7 D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
& `' w& @* A5 o7 `" M. t
但是程序又不会写了~汗