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：
3 \6 F" B0 v7 p) U# t' E
. D8 n9 @/ g2 w7 U- S- 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。

( ~  A/ D# j# b以下是对编程有用的具体的算法：

# e- P( V7 B( X1 O' v5 A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]]。

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。

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 }  G/ `) a9 e      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
/ J9 _( q6 E. O' N) P        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
% `0 A% o$ }$ [2 ]' Y/ b
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]。
; h+ C  x: `& T3 l6 n8 T
, t& m6 {, G9 \) ^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。

5 w' `& f% V1 u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。
# _4 b) h- H$ G9 d1 G
+ u1 F- f  {8 E. F$ ^$ V' ~恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
! W0 g8 E* ?3 D' Y
这么大一个程序，看来只能靠自己了
6 a. ?! D7 o. H9 w: ]
0 k0 v$ a7 F/ Z0 u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。。。。
- Y4 f: U" i- T& N4 f3 e1 g5 V
) f3 X  |/ g! C& X2 D5 \' a3 i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
  p. }2 M' l: o9 X, S
但是程序又不会写了~汗