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：

! Y, e- F& }* v1 E' b! d( Z5 a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。
6 q# H' `# x5 h0 V/ L8 p
以下是对编程有用的具体的算法：
% r- T5 _/ _& `9 O2 M1 w
1 F) g8 {% O# K3 B/ ?! i7 [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]]。
" z- F8 w2 Q9 G2 _( f% v: T4 u) o+ D
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。

% ]* \" E3 h) `! g' F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：

3 n* Y! A: t; a: }' I7 u8 n$ c2 p* A      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
5 C! u2 c$ V0 W( y        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
, g2 h+ {7 `2 h2 i/ C! v+ R$ j        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
4 P9 \0 J9 k* V: p9 R
& N8 ]9 r9 h9 Z9 i9 G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]。
) N4 I5 ~/ l/ ^, X& y9 y
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。
  u- D! G% ^; y; O5 G9 D
! l2 i5 r/ J: I! |/ U0 k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。。。。

* Y- Q6 J( z! q7 Y- _6 z4 ~0 e9 S9 R1 f这么大一个程序，看来只能靠自己了

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。。。。
8 U5 }1 f3 G; T* ?' X. L2 K
( A0 V6 N6 S; Q0 }, r% \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

1 d, G( n* o9 _! c; ^% d# `8 f* t但是程序又不会写了~汗