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：
/ }7 Z' w# f7 K* ]- E9 B
# M$ G9 \, @1 O% D/ q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：
- x4 |7 e6 W/ ^6 S/ s
' u( E1 _' v7 L' o, h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]]。

! ^2 Q3 d. P3 I* S! t0 u/ M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。
: p0 A& p6 f- J( b
8 j3 V* o( L# Z6 B5 j) a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：
+ }. |2 j1 z- B( a: ^7 @
3 P) R$ ?# z6 ~      [ [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]
4 D/ ]4 q# ^+ I5 c        [1 1]  ->  [0.25 0.25 0.25 0.25]
) E; {% O, a5 t2 A8 r       ]
- j9 ~: r/ i3 }( Q- b, G) |  N
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]。
# Y. t& V- {2 K
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。
! N) ^+ m7 Q$ Z6 r  w
6 f6 A$ V$ r3 f0 J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。
- c( Z1 d9 O- h; V3 Q) l: Q) k
+ V; P3 ]' I3 b1 ~8 N( D3 @( ]" K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
9 I/ u% [; D. S, r  H
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。。。。
- S1 A; Z% P$ d5 j# D
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
  B! Y9 W8 {  i8 T
8 T. v% A( y5 q0 _但是程序又不会写了~汗