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：
, W# P, R' X) w3 ^& H
; O7 u( p% f! [7 o2 n) S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。
4 E/ L$ y8 x  D" K8 y; o1 r! Z
以下是对编程有用的具体的算法：
8 r5 c$ ^$ A  ?# U
' E; T9 a' O0 L6 _; |4 P8 ]1 V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]]。
+ e+ [; ^: n  t* A9 P9 N
8 T+ j* \. n9 _4 W7 |$ K$ o  k; G, y6 I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。
  c' m+ \2 A' c% o% w4 O
7 y. c7 G4 M! N! ~4 P5 o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：
" Y1 ]% k: r8 r
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
6 a8 \  `6 z& S8 S        [0 1]  ->  [0.25 0.25 0.25 0.25]
; `8 E7 ~! k1 Z$ |+ m! e0 a        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
# N# f9 {4 o7 C; b( i* c
" j/ E# J0 B+ j. Y* N! ?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]。
1 a/ H8 P; c2 s7 m
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。

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。。。。
4 P/ s1 e5 p9 P1 K0 y
这么大一个程序，看来只能靠自己了
1 Z  C* q+ M3 }% y( q8 y
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 P- N# _5 Q% N$ }: E
) j& [8 C* h: ?* d1 M, }7 ]' ~8 I, E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
" W) Y  D* A0 H& g, w4 h! S
但是程序又不会写了~汗