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：

( i! ?1 G% W( E, c  P2 ~- e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。
, ?5 V9 }2 V2 s1 ^9 I) B. U% ~
# l  ?$ i7 H, i以下是对编程有用的具体的算法：

) a. p0 E6 [$ c( a5 W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]]。
: G' ?) Y: M/ Y9 U, d1 r/ Y
! o: l( l$ x5 E0 b6 E* w. _* J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。

* Y% w7 t: K2 S% Z  f& ]: X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 u6 W5 d8 u: A2 W
% m' A0 O- S6 H' Q  F      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
: H) J7 c7 ^3 J) U) a7 E- t3 Q" O        [0 1]  ->  [0.25 0.25 0.25 0.25]
" |  k# G/ o" u; A; l/ N  \# H7 @        [1 0]  ->  [0.25 0.25 0.25 0.25]
1 S/ I- I$ ?: e, M' E6 l9 J) P9 t        [1 1]  ->  [0.25 0.25 0.25 0.25]
2 _3 n, i6 [3 {       ]

/ s3 w( J7 |8 ^6 g- L3 G/ {2 m) J- G( \5 D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]。
$ W* X6 b. d" M4 b/ D: W) n
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。
6 q* J: J1 ~0 }& n! O
- Q7 f, H1 _  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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
* ?) k7 h- s- J+ }
# Q9 I2 N9 B3 N- |这么大一个程序，看来只能靠自己了
% M0 @% h& K' z% S
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。。。。
2 k) W/ c+ j% s4 J# y2 e" G
, L; n1 |+ E) B5 U3 m% D, w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

4 {) U- j  A2 b但是程序又不会写了~汗