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：

. J! T. l, d2 ^' ~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。

' n+ }2 j$ \5 G' X以下是对编程有用的具体的算法：
; r* V! j/ b2 Q* T& e2 t+ u/ Q
1 Z, V: {  K; F/ Y6 o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]]。
  f# I& F. `, v" \9 c4 U: F
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。
6 f: w  k" x! p: K* I" [! l  {8 o# g; v
: D/ K; r% R' H1 y& H5 _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：
, V. y% E* X0 [$ s. S" }
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' z0 y9 M8 ?: R9 u( S        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
5 [2 d) g1 J* a# G       ]

0 v" n+ Q! c% O; A% @6 ]/ n/ U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]。
5 m3 z4 a& h! k3 q- _# @; r
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。
& ^; R# v4 J1 n8 `# z( `
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。

. N2 j/ @& j5 z; L恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

这么大一个程序，看来只能靠自己了
$ S' ^: V. p- t4 }3 @6 q5 k: u! q
/ q* A4 S0 `# I2 Z- L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。。。。
" d7 m, s; i6 N- l) Z8 I# ^6 r
# h9 R, @# P' T8 W( Z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

* J7 _# z2 ?3 Y( \0 U9 ^! I# j但是程序又不会写了~汗