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：
! k$ o9 y9 [1 m( U
4 C" L0 X; \. l# i$ Y& _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。

: O( q4 ^5 B2 q1 c) W/ V# |以下是对编程有用的具体的算法：
  f6 p  \' C: J* P* H" [+ [
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。
4 R. I: D/ }  ^2 o0 i+ h. R8 J
% Q- d3 F( w/ B2 t5 Y  j4 H& ~2 L7 O. O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：
) P: e3 ]! v$ T4 W  y  a; X. u
- X/ Q* p$ ]5 x5 _& a& {& l  `      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
% B" r+ e/ u0 x  q        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
$ Z; g' V* {  v% d9 h- p       ]
2 {4 ^: e' S* K5 ~0 ~0 `
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]。

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。

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。

% [' N) C( A& D2 s* D) W4 _恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
: L1 @4 f0 n* j/ @1 \
0 a# \# f( |+ n* f: q% r这么大一个程序，看来只能靠自己了

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
. m& E% p5 ]& C- o5 U
3 j8 Z. D$ e7 N# e+ G但是程序又不会写了~汗