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 \3 e- z! t8 x- I$ c" m
6 N" ~9 t2 d1 [: G" }4 F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 P) ~6 w, E" u$ U: w以下是对编程有用的具体的算法：
' K3 q* r4 _: @
, w+ j/ ~' Q. I0 I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]]。
) R2 r( t+ D7 v2 c
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。
: x1 c3 d& x8 [5 |+ k+ U' r
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 C. u( m5 S5 W3 ^1 N) o
7 Z8 j# j% ?% N      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
9 n2 k$ ?9 a6 u5 d        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
' B+ n5 M, H  @       ]

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]。
( C& _; X3 a$ g0 F% k2 w
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。

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。

, [- ]6 n( Z1 j& n- c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
, R" D5 o; s4 a# i7 R. p* ^7 H
' _7 R- S5 q1 f3 o6 f" s7 j" Y* ~! Y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。。。。
4 M5 Q7 i/ h/ f) h" L
+ y5 c( ^3 O4 N; V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
- W$ g8 I5 L3 P; U) S
$ K& a5 X2 z+ ?% M+ x但是程序又不会写了~汗