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：

( Y- _/ h2 k& w$ }4 `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。
0 G' L" l2 D8 m+ I/ i
# g5 F* C+ ~5 L* ]3 W$ f. E3 H4 T以下是对编程有用的具体的算法：
$ U; d8 M8 s1 O. f( p- U' W4 W
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。
6 b" G. f5 _2 f$ {0 _1 @4 I. u
# S0 G7 R& p8 u) v! f9 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：

6 @4 I  S( m# D1 u. B7 ^      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' C, V+ C" }/ `7 Y  u; M        [0 1]  ->  [0.25 0.25 0.25 0.25]
+ K+ G% C3 ]! t* [# Z9 w& a        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
1 m' ]& k2 G. Y4 J: j# P
; d" Y2 V+ [2 M, K, d* j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。
4 O* Q0 _6 u% E- F5 M3 }
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。
2 v" L; z8 r4 P5 U: x
" n5 \9 V2 p% W( ?9 v4 a. S恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
+ E. D  I  I# _( N  \% b3 C- L. S
这么大一个程序，看来只能靠自己了
8 n' S' i. N" Q! ~2 K( 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。。。。
* z# S7 x0 M9 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
  X: G% S! h1 p1 y
' [" E7 l( @* u( |但是程序又不会写了~汗