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：

5 J) H. r( H) x% B& W( d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。
. O# \1 ]$ b) M/ a& z1 B
9 I  f2 e/ r- q0 v1 _以下是对编程有用的具体的算法：

: R6 ?+ Z! a' ~6 a  D5 l2 A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]]。
4 g8 y& y5 V* }- n2 E1 g+ ^
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：
# W. X0 Z) w3 M  U: e8 Q1 y
, k: L5 c# p/ U# S3 o' j( h, {: ^      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
4 X" B* [3 B& f        [1 0]  ->  [0.25 0.25 0.25 0.25]
/ T% t1 L  }/ o/ y) t: G) ]& I        [1 1]  ->  [0.25 0.25 0.25 0.25]
7 J6 }; n& R/ Z       ]

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]。

, b* U) W) L  g. m# ^1 y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。

5 V" R2 w& s3 q3 S! F恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
5 `/ w, m; S& L: C( n2 Y
( q7 u$ f! |9 l; o这么大一个程序，看来只能靠自己了
, i5 j" P8 G& x
: z( y" ~: |; d. @9 F2 A* O2 o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。。。。
' M" H8 h4 p8 g: H7 h
  k; O5 Q; y+ v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

& u, q/ s2 y* s6 a- `! H: h" o% \但是程序又不会写了~汗