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 H& b0 _6 ~" J$ Q- A# }# f8 G& z
$ L. n" {  h6 j3 z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。

, m1 C% L% M: ?* ?以下是对编程有用的具体的算法：
& A. F5 ^. t. f4 i$ {
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]]。
* e& @& R5 |$ H- L5 A: v
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。

6 V6 C  H7 @& }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：
' h1 }; b9 ?8 O( T5 a
0 Z/ l8 W# D, ~6 O$ `      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [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]
3 O6 O- y' i) ~" V( F1 y0 Q       ]

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。
# }3 T9 H  @- ~; @& y3 p
2 _( Q  }! ]' Z4 b  Z. |, e* u) ^6 W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。

, d! k* s+ X+ l' i" X5 h$ H0 @恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

7 b& i, `) _" a: S& n' a% O这么大一个程序，看来只能靠自己了
2 o' u; V; ~1 l( f8 L) S
( s0 Z: y3 k: S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。。。。
: r" I' Z$ ~  q2 R$ q1 a
/ z/ S' K; z% p- K- {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

但是程序又不会写了~汗