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。
& Y& t) U& w1 i1 U& h
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]]。
+ Y5 F% f, l' p! k9 C
5 O) y* B4 I- i8 H( P0 J: u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。
8 O2 k" _) A1 L
. O- `3 v$ a( u9 o! C  J- K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：
% \( d' r: @" j" S
; _. O5 p, J2 A6 R      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
/ C- l9 x3 g: p6 l2 W$ t! `        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
/ S: I. p9 G2 H( x       ]

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]。
' [. ~: n/ @, c, H+ R
$ X; T. M8 \7 ~4 Y5 `4 K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。
( i) \3 n' P4 S4 W1 |' i
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。
- I' z* Z; c6 k1 ^0 D
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

2 ^) I# W! r7 _. a. T: W8 g这么大一个程序，看来只能靠自己了
8 c8 M. A+ y. C. n& y8 n0 w: r
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。。。。
' Z1 d) ]' h, e+ j+ B4 ?* B
5 ?* T1 O# h- |5 S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
2 |, v6 \: f8 P, q& s
但是程序又不会写了~汗