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 L$ I; ^  Q4 m9 _+ C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。

( ?3 @) p  Z: X& d6 {以下是对编程有用的具体的算法：
- {# S" b+ O  M8 Y: D
2 I: n' y. I4 \8 G# p4 O$ l3 p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 e$ K$ a. e% Y/ R6 _0 ?! b
; J) b9 L# ?+ r4 l. G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：

) q5 T3 ~- i1 k9 R5 i7 q      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
2 i6 f3 c6 F) P6 P8 s        [0 1]  ->  [0.25 0.25 0.25 0.25]
- i' M, ?; @3 r% n/ T/ D        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
/ ]! a7 z1 X  i, t7 ^( O
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。

( F( s( ?* m5 @* G5 i- 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。
: J4 Y, q* K6 K5 P6 Q- w
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
  b; M. r9 p; W  S  f+ ?4 m
7 @5 b) K. ?) I* F这么大一个程序，看来只能靠自己了
( a" P7 v3 J+ F- H# _2 [" d
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。。。。

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
) [# l9 q4 y/ i. B5 |
但是程序又不会写了~汗