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：
# b( M' C, x0 N8 B% S6 |
3 A# Z& J7 D1 B" p& E2 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。

" n1 q/ i3 _3 i8 @( \1 E以下是对编程有用的具体的算法：

1 N7 ^) N& G' m) t  P1 O/ W$ 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]]。
- N  h+ z0 M% k* t1 t
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。
  l5 ^0 R" D# a
) x( w! q6 k: @7 O& K  i& @, 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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
% V: \& g  r2 S9 a/ X- I* x4 f        [1 0]  ->  [0.25 0.25 0.25 0.25]
& {- Z  G. s; ]5 Q+ m7 o        [1 1]  ->  [0.25 0.25 0.25 0.25]
9 d9 P/ Y, d: D       ]
$ O8 a' L- [% S2 ^+ ^# {! K
/ f! J+ F+ @% ~% `9 T$ g, ?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]。

" P+ a9 p3 i: ~& V4 K4 |6 t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。
8 E- f* ]7 S! f* A" `/ [
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

8 i$ A& [5 Q5 a4 v& _% D, s2 _1 j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。。。。

& o$ m# a( G; g. S! I  S# h9 C: Z" p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