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：

$ z" F8 K  L" V  m" O0 {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：
* M: e& q/ J. Q( l6 _8 h- J* e
! @# a9 _$ F# N" a. u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]]。
6 K) x9 z" z9 Z2 B
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。
% j  b7 f, }1 d
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：

7 c0 D" J; y9 c6 |) j% x      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
3 {, c+ j* g0 C4 D) ^/ O        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
( L. i. W$ ^1 [$ p" W- M       ]
: C  R/ w1 o7 q
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]。

9 u4 D- c8 D- ?3 c. r& I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。

( x" |$ T3 c! s- j* l  q8 r恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
! a, s  V0 K+ a9 R5 i/ }9 Z
8 V1 Y5 c6 X! Z0 b+ f: m. h这么大一个程序，看来只能靠自己了
; J4 {6 W+ ]1 G' h  `
: I  S3 D/ @" ]; F. L' G) X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
/ F8 B3 n% Y* d' j6 z5 @
但是程序又不会写了~汗