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：
% _0 m0 x1 i) Z8 y- r$ v$ W
/ h- A7 [9 C1 Y, h' P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 O1 S6 D& h) d- _# k
1 |8 q9 J  y8 {9 C以下是对编程有用的具体的算法：
" R/ D, [4 g) u/ z' P, k
0 p5 q4 l% y$ E! `1 _0 w" {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]]。
* P) v  P% ~! G6 [! u" g+ r
7 M( u! q9 @; ]/ R1 m: W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。
- t8 G+ P  \. v/ b, x
% T# \7 I4 W8 z; ]: v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：

' V2 A( T* a+ C: h8 v3 g+ R# y      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
9 N5 o3 h' D; d, Q! `, B) e  N        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
0 c' J$ c9 u) F! m  h        [1 1]  ->  [0.25 0.25 0.25 0.25]
: b2 F+ T. P( y       ]

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]。
& Y$ d& N: u/ [! b/ n. w  m; P
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。

$ o3 Z6 _( v; D$ 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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

' Z0 h# [% C1 K- V) Q- ?这么大一个程序，看来只能靠自己了

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。。。。
; ]* F  R' w( S7 X
, e+ K' W' w7 K8 ~" g2 j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
( I! G  ?5 ^  w5 q3 [- `' c
) i7 Y6 E3 y8 y2 P: n但是程序又不会写了~汗