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：
: O5 m$ B: X" s4 M: j! P3 c+ i
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。
  L0 j' }: A6 M, d* u( X" t
以下是对编程有用的具体的算法：
; w( p8 M. _- ?3 h6 z# `) p
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]]。
+ C* D: {9 {  G0 ~$ X/ ]. `' N; n7 K
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。

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：
1 h. `8 q5 R' p9 Z
: d7 G  X4 O. e5 U/ G. j      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
7 Q: y, w- B0 n; s" E        [0 1]  ->  [0.25 0.25 0.25 0.25]
5 _! Y+ D3 F; e9 V        [1 0]  ->  [0.25 0.25 0.25 0.25]
/ L: |1 B! a3 K7 h& ]8 U8 Y/ \" o        [1 1]  ->  [0.25 0.25 0.25 0.25]
; d0 g: Z+ i2 K( d/ g8 e, Y       ]
! c' i( M9 B' J0 V/ U4 d
  ^" Z8 B* [: W3 G- e" L  N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]。
7 }% d4 j. O: O- @% D4 L6 u
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。

2 K& w8 e. ]9 `2 F; y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。

: L* R% {7 E" B* @* n# R& G恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
) e+ ]- A+ K8 b
这么大一个程序，看来只能靠自己了
9 e- H) O* P7 [. t4 D6 ]8 v3 i
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。。。。

0 t/ D# ~- d# 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
: d) I( c+ `$ Y3 r, q) C' `$ f1 D
但是程序又不会写了~汗