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：
: U( o2 S9 P" O+ y8 ^6 c
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。

以下是对编程有用的具体的算法：
6 |" U; e  b: N4 N
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]]。
( l6 `: |) b: B" G/ D
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：
/ B# v/ l0 G% T# u/ i) B
+ R; m$ t5 ~4 |      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
5 s; n/ ]9 z: O+ Y        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
% {: F) ~0 G  Q+ ?4 W5 }7 @       ]
  i$ r) j: ]- R' G8 F: D! M
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]。

" V) K5 c6 i2 M# X2 ?4 _  D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。

2 A1 I; h3 a" A3 v' b2 Q恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

* Q0 O- U8 S( Y' k6 A这么大一个程序，看来只能靠自己了
1 h( |4 t" W8 i: d
# h9 `8 F1 ^* k" N- i) E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。。。。
3 Q: G) |, z9 \) O, Q  e
# X0 [6 i& _# q/ s5 P! A( n; p8 N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