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。

* F& o+ u! g6 |" D4 E& B0 S以下是对编程有用的具体的算法：
8 H+ W+ ]7 A7 Z3 R! E* ^
/ o. O* [" x1 w! t" j, Q* K( ~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]]。
  E% D  W9 a. T$ O, b. b9 E  G0 f
0 ^7 N+ l0 W( X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。

! U- u; |5 A+ l1 P$ ?' V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：

3 c5 q  J# t) ?+ r: E! P      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
$ ]' G2 n8 Z5 N        [0 1]  ->  [0.25 0.25 0.25 0.25]
% l. d6 @7 n6 t+ F- f  H5 Q/ Z: O( X        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

4 J. {& u7 q3 [6 \& x; y0 \+ y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]。

. l# [5 E4 E  p( r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。
0 {3 H7 J, A/ t! X- G- W/ P/ W
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。

4 t6 d* c' m1 q* B# J恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

9 }/ W  h3 D5 [这么大一个程序，看来只能靠自己了

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。。。。
: Q  W! X) Q, C" Y9 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
6 y1 N, U  X( Q5 l( T% h
% Q6 k" H1 }' [7 g) U但是程序又不会写了~汗