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：
( u' R7 E- V9 Y0 M
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 h" O5 {3 h& \# |" s以下是对编程有用的具体的算法：

% E1 N! |$ f7 D: F. c! P# K0 f+ o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]]。
" s- h0 {3 T7 F6 Q$ c& \) 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。
' X7 j( i. z  e% A" d/ M
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：
' g5 a; V. G- y
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
9 o  n1 B. a4 \8 p' g, ?+ n        [0 1]  ->  [0.25 0.25 0.25 0.25]
+ L: _+ \& i$ O6 X- Y/ n. M- o        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

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]。

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。
% a" h+ V$ i- v  y, l
6 k4 g6 r0 M8 L( j8 U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。。。。

$ ?* s: T* z3 z3 b+ Z' k这么大一个程序，看来只能靠自己了
" Z& ^" F& e  e$ e( O8 `; r
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。。。。

$ l* o- Q( O8 U; d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
3 e6 }3 \+ _9 v" w
但是程序又不会写了~汗