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：

& C. ^# o; P9 ^. G( d7 R* I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。

+ ^0 w* x# v* A+ }以下是对编程有用的具体的算法：

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]]。

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：
) I- i6 W% a) E1 w, m- L. J
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
4 v# z4 @; q9 X: X; X: N        [0 1]  ->  [0.25 0.25 0.25 0.25]
' I& g* Z5 j+ L4 ?        [1 0]  ->  [0.25 0.25 0.25 0.25]
/ W% {6 ~6 ?! Q; @: _        [1 1]  ->  [0.25 0.25 0.25 0.25]
+ ^: w) `) \/ |( w2 `4 u6 p) C1 M! M       ]

  q5 ^3 R' k6 \, `7 n% K6 U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。
/ G( B/ D" S0 V& ]1 d, a4 h
( ^0 Z/ |2 \' A7 v, N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。
; i, f5 w, U) T( Y1 X: h# m
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
" Z. w4 `" p- @4 r
这么大一个程序，看来只能靠自己了
7 ~  [4 x; r6 G4 v7 ~% j( q( W- x
' b% Y+ i) k2 K4 i' h8 {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。。。。
- A1 A/ n/ e! c# H% `1 A
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
( P& r6 P0 Z( t% X; D5 I, j6 e+ V" p
6 U% r+ R, B7 N2 i$ r4 b$ D1 T但是程序又不会写了~汗