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：

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。
& M5 e0 w# I: q% m' m; G# F; H# L
7 `3 |6 N& u0 A3 @# a& E$ r以下是对编程有用的具体的算法：
$ j  d9 ~/ l/ a' a5 i; j6 }
+ c) `% s  P5 h9 v) E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]]。
; t! }- k# x) q9 ~3 j
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。
2 e6 J* E0 R1 s3 j+ G7 v- l
; v7 |* r8 B5 @; L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：
% D' w% b3 @' n0 ~+ m# `, b
, {* C1 L2 X9 y2 [8 E# I& A      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' E2 d8 P# T; f3 O8 X        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
2 S0 I7 T  l9 V  O/ ^% _$ K        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
2 \1 v1 s5 T7 W4 ^8 F$ l" b
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。

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。。。。

这么大一个程序，看来只能靠自己了

2 D# B+ g* ^/ o, z# y/ b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。。。。
+ _* k  R" F0 e5 |% y4 _6 o
& h$ b) C' T# ]1 ]# 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

但是程序又不会写了~汗