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：
0 k8 R5 E' \' `+ ?
! p! U) N2 j, X* o& 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。

9 g$ l% `+ C9 r6 }7 _以下是对编程有用的具体的算法：

0 o1 b* F- ^5 [7 [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]]。
+ w1 P+ e* l$ Y7 {; J
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。

% ~- ^  }( `/ e+ p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：
( ^" m' l) Q) d$ j4 l+ P
! Z9 ^% B- ]: J8 L7 R* \      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
) P, `& w: |! C. I% j1 a        [0 1]  ->  [0.25 0.25 0.25 0.25]
/ D$ k6 R5 l/ D7 `% X, l        [1 0]  ->  [0.25 0.25 0.25 0.25]
. F1 o/ w  U. q: A        [1 1]  ->  [0.25 0.25 0.25 0.25]
5 n9 D0 X! f" H( t  F5 ]       ]
+ B5 i6 Q9 C: j+ F! T6 c
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。
- u3 o  d& s' G3 T: R; N" N
+ a6 i" q/ r2 _" n0 A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 O+ n! M3 _; Q+ c, I
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

) |! r, r2 V0 h) D( s这么大一个程序，看来只能靠自己了
/ Q- g2 `/ Y- d5 Q6 e) I
! k0 @; Z4 v2 N6 o8 I1 v" L6 b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。。。。
0 X5 L, n& V# }/ S7 K: w
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
. k; u: h8 ~: J6 \
5 m# M9 S4 r( i但是程序又不会写了~汗