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：
$ E( S8 D: ]  m0 h! W2 |
" g( Z9 [1 T0 _0 Z1 Q# D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：
2 j8 `. P# p1 Q, w6 L, O9 ]
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]]。

$ w* r" g3 c( C, p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- w. |$ l" u+ _, r3 Y
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：

- t  w$ U) N& e4 J$ L8 h      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
' T' z! N) h- f+ t        [1 0]  ->  [0.25 0.25 0.25 0.25]
# D& d8 G, V# K8 y$ g/ j6 r        [1 1]  ->  [0.25 0.25 0.25 0.25]
# u5 T7 k+ P9 q+ Y9 V2 N5 R# _9 R       ]
. G& C# [- a+ D1 l( @5 t
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]。

7 F' n2 Y: v* i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。

; {  F$ \+ X8 ^8 A- C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。
% x+ o3 G" k$ G' N0 u1 t  e
) t3 u( \- Q  T  h& K恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
8 N  ~( V& ~8 Y( E4 r2 D$ h0 U- C& k3 ^
这么大一个程序，看来只能靠自己了

7 L4 d/ ~' e  r' [, n7 N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/ o2 _# W2 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
, ]2 X( k8 ]) P$ L' V$ i, w
0 b8 q) J( j# }0 Q; }但是程序又不会写了~汗