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：
6 g. g( r% h, I) `  `5 m
: j0 `* M; l" f; v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。
6 M+ b2 j( @; l5 u" Z
以下是对编程有用的具体的算法：
; C: ]( r  A. Y! ^- Q
6 ^* s; S  q: H$ p) ~) r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]]。

$ f. f. C  W" }+ C% K. A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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
/ L: Q0 ^7 H) [, k$ N% ]        [0 1]  ->  [0.25 0.25 0.25 0.25]
2 B# j7 ^3 X) \( {/ V6 P& o0 s        [1 0]  ->  [0.25 0.25 0.25 0.25]
3 |2 S. r9 i" f. }2 E- l" M        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
8 B* F& \: S# `  N6 w% {& o# x
9 F* G8 e$ J+ Z! d% a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]。
$ R: M5 s2 K, g! d# ^' Y: h% F1 [
4 @# s8 O' Y6 }2 E. }6 ~& b; ^+ O6 S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。
0 |# ^$ Z, L: _4 r
, U. S# i0 d6 A( T" x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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
6 b, V+ W5 B5 I
这么大一个程序，看来只能靠自己了
7 y5 D  O4 h+ B4 n
5 y3 C4 X1 K, W" k5 l: H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。。。。
& x0 G$ O; i7 f4 g
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
5 }3 A; V9 x& c7 R
但是程序又不会写了~汗