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：
4 o3 K; h, Q, s6 h% i
+ l; j! Z3 i* m' J- n6 I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：

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]]。
7 I: d) h( x( K. N' H
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。
- T4 b' U; Q2 N% X, s) U
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：
- i; f' E, \  S( g! s; u
; r- y- G* k( L. S0 M& a      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
4 O. r; a! B7 C% W) W8 e, }        [0 1]  ->  [0.25 0.25 0.25 0.25]
( G8 \3 W2 ^2 m" u* }  r        [1 0]  ->  [0.25 0.25 0.25 0.25]
! S4 n! E8 ]3 {6 [$ U* F        [1 1]  ->  [0.25 0.25 0.25 0.25]
0 K# ~3 }  E0 Q' T       ]

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]。
, q  j5 x9 ~  _1 c5 r. E3 m! D
3 y* ]8 K- y7 U' s: n+ W- q+ A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 s1 H' |8 g5 ^. h0 p- B7 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。
9 {: q# E! O6 s* I7 n9 |
- T5 t9 s1 N' N  i) |* D* l+ Q恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

; C- L% x/ z1 {, ?这么大一个程序，看来只能靠自己了
2 e, i- G8 h7 f+ u
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。。。。

* @9 T( L" I9 y+ C- C  y5 T$ P/ o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! F0 s/ k5 ?' P! J$ m6 z" b
: X; p: {" a$ G: G, X  N6 w但是程序又不会写了~汗