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" s4 m; P9 Y5 I7 n: p9 D4 _% Q2 R
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。
1 G' b7 X$ M" V3 j/ Q
以下是对编程有用的具体的算法：

) E0 \6 e4 N3 E% M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]]。
# A- _5 z, ~' `+ R
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 p8 [5 y: ~# A6 s      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
* r% i; e( z6 H3 H! ~+ B. M        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
# h' x) W4 F# z/ r6 S  H       ]
" ^/ U8 X4 m, d! N# t; w7 w
' k9 K3 I5 l- K: r7 @3 }  @" L4 {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]。
! h0 o- Q. I" P; a1 A
8 F; r5 v- ?+ O) 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。
( u4 D/ O4 n7 b8 E% E& J" e
8 z& X+ Y' b' S: J: 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。
! j) f' T6 T0 n* N8 J2 g; s
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
+ q3 [+ N2 n; k5 k4 O9 Y+ u
' o' ~* U) r7 C  ]: X- Y, z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。。。。

+ a# }8 F, t3 x& M6 V2 x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

- J9 g4 Q$ P) l; n/ H但是程序又不会写了~汗