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：

2 n7 Q$ S) K4 }: Z% O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。
$ d9 I" l" I! ~. p# p5 L2 W
以下是对编程有用的具体的算法：
/ z( J( p5 J* G* Z& F+ V* j: M
! V9 V( F4 ^5 v+ F8 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]]。
2 y9 [* h; ~% e, q
# p2 G* K7 B! }6 L9 u4 _# 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。
' B4 }* x. j6 [# ]7 j
1 W- _4 F, t8 e  I) u/ i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：

) q0 e& X# r2 `7 S5 Z      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
3 w  a5 |# B0 f1 M+ B( I, K+ c( L2 o        [0 1]  ->  [0.25 0.25 0.25 0.25]
- f' Z1 n0 j4 I5 G        [1 0]  ->  [0.25 0.25 0.25 0.25]
0 ], v0 m2 |0 w) m. `* e3 k2 N        [1 1]  ->  [0.25 0.25 0.25 0.25]
* P( E7 P! x4 D" U: M- F6 x       ]

/ L; e6 f# ]/ ?/ ?% l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]。
$ _% j8 B' J% ]8 ^) Y6 B* K3 y
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。
% V5 f( R9 j* d! z% H
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

, V( R1 A" @; i0 g8 @这么大一个程序，看来只能靠自己了

( c: o1 T+ q9 V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
: Z9 U/ W6 e' I
$ ]: @8 E1 R% i# _% F8 I" i8 `# L但是程序又不会写了~汗