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：
) N" k) F/ e" A" X( T' t6 Z: b
8 R. B4 _/ P- }! [: B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。
1 a% J$ B% R$ Y0 O5 _* ~2 }* t. q
以下是对编程有用的具体的算法：

9 b3 ]+ s6 U0 o; c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]]。
# v) E, ]- ^0 a3 P; r. e+ P
" H3 e7 d/ w8 y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。

9 _, D! X! }9 b' I5 ?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：

! J) g+ D1 E! k5 w' H* [      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
: N' {. k0 K" O        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
4 ]7 ^; M! U$ t, U6 I        [1 1]  ->  [0.25 0.25 0.25 0.25]
) p" E2 e( v9 A+ |       ]
; [5 S% v; Z4 O5 O/ Y4 `( l2 f
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]。

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。
' \! c9 a  ]9 }9 S4 u
! }6 a2 g/ Z- w: O7 v' r3 n1 o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。

! b2 T+ s0 [) F! [, _恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

+ ]6 r  h5 z: o这么大一个程序，看来只能靠自己了
- k+ w8 d4 S1 |' D
. {1 ~- |* ]( }# D; R* h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。。。。

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 d, t. d1 h% O0 n$ Q但是程序又不会写了~汗