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。

以下是对编程有用的具体的算法：

# @9 @7 J* ?9 x+ U* c' S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]]。
+ D0 s7 o& y+ M% K
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。
& g+ J3 B: x8 K5 R, s6 m4 q
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：

) ]4 C4 W. f7 _$ Z( h8 H' O      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
! P3 N( @; k( a2 b& E, ]        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

1 J0 e6 |4 S0 y% R7 J/ ]2 p# _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]。

) c% }2 T; E/ {0 ~0 z! J! E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。
2 W% R( E# c5 _" }3 H
* o, m' Z" {; r  ?( {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。

' h! Y# u7 y" ]6 O  R: |恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
1 z) F5 \$ Y# k7 A2 L9 a- ?
; p  c* A$ o9 o; q这么大一个程序，看来只能靠自己了
8 a: U4 p, F: _6 \; l  \
  K- P' O; W0 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。。。。

1 _* Q& I8 {$ q8 I( F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
$ f5 j# B$ H5 N2 e
但是程序又不会写了~汗