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：
1 c2 H( r: m3 J
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。
/ t4 P/ f/ s5 z! U* x+ }; O
& t7 s' o( p2 k. E, {& `以下是对编程有用的具体的算法：
/ ?* f5 Y5 Z2 e, w# V
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]]。

! I( h; J/ B  c/ j, A8 o" A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。
( M8 x7 @6 U$ q9 p5 D5 T. T7 W9 B
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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
, @9 C7 C( j) p* _6 g3 I        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
8 y" z5 f9 c1 b5 o' T8 T        [1 1]  ->  [0.25 0.25 0.25 0.25]
$ |: S' i2 R! j- t* N: _6 u, c# R       ]

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]。

) P  b8 ?5 W2 Q; U  q- 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。

- X$ J; w: ]1 R- r% S1 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。

* q6 ~2 z7 f- e6 b$ `/ H( d& {, ?4 x恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
7 C" S% ^2 X& R
! b% l" v6 Q0 o* }! T这么大一个程序，看来只能靠自己了
: _0 P9 L0 r4 S. l
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。。。。
: x# f; `6 a8 {: n( u5 b
& f8 @+ T/ u" D, R- N0 Z. C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

但是程序又不会写了~汗