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：
5 j' K# h+ I& Q6 A7 R
8 x$ `% y3 a$ J' U3 t6 J7 x7 J. N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。

以下是对编程有用的具体的算法：

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]]。
0 P1 ^: @7 @5 k$ q& y' ~5 T
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。
5 U7 s4 p" n( F3 J1 f. [! K! _7 [
  B. w$ L: H+ U6 J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]
7 @$ Q' C# a1 P+ [: X& o6 x        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
2 A. Y* n$ q. ]3 o5 z       ]
" A; _. `0 e% x6 [
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]。
" z- v2 D% J/ l: d1 i
4 u2 {$ [' g- D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。
4 i$ [: n: p9 n1 l$ w3 O
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。
5 p8 G# V4 y# P, C9 I
8 h) K0 k3 x5 i6 q- j" d9 M恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
6 j2 l/ k# i0 |4 g+ a/ L% }
3 w. H' t" T9 w  t- x这么大一个程序，看来只能靠自己了
7 ?* e" H4 I9 G% m, q% Y
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。。。。
" n  l3 ^% T, G1 ?
7 ]$ Z( p5 v. g) ^% R4 H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
% m3 Y* v, P8 o4 x( a
# }7 }& w, G6 {4 H但是程序又不会写了~汗