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：
: \" `( x" K( u6 L$ O' @4 [9 t
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。
+ T. T- H" K. B6 X7 g& y& ]
" Q1 |+ m% L+ ]以下是对编程有用的具体的算法：
9 _5 B$ C1 x( f) p+ L/ }# s
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]]。

! z, }1 C& J: j  I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。
+ G# p% P- w2 c, K* t" U
0 G7 y; N, `0 y- ~, j. v2 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：
+ f" a$ p8 C& X& l, I2 g# K
7 h7 f; L5 E+ J( \9 ?      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
2 R$ P, P8 m7 C& o: M8 U3 L        [1 0]  ->  [0.25 0.25 0.25 0.25]
1 e7 Z+ {1 v, M; u        [1 1]  ->  [0.25 0.25 0.25 0.25]
- Y8 n. \& [' P8 X" H5 l       ]
% T% l0 ^8 q  r& N+ _" z2 c
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]。
$ Q, i# _4 ~& v! O- y
2 l9 y6 S4 f1 s! j- ~: g! x$ q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。
$ b# M0 `0 w' P, i" @6 H1 Y3 P8 J
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。

  F5 K1 g6 u: b& y5 }  H4 K恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
7 q$ m# x8 w! a- U( w
这么大一个程序，看来只能靠自己了
: {3 Y+ x! h7 E
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

1 o# G2 d' o" q1 e8 s但是程序又不会写了~汗