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：
  G3 Z! f% _$ p# Q
& c/ J# G5 @) d$ _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。
2 I, L- t# k8 J: }9 J7 B. |
5 L' O; q0 @( @以下是对编程有用的具体的算法：
5 r. U8 m. R9 R! E: G3 r
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]]。

7 A* z% b7 z  n  O% q  a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。
# ?% e. }9 q/ u9 W
* j6 c/ }9 Z7 l9 P4 ?$ g( L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：

: f, g8 w  M7 D2 y0 i4 P      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
$ k* ]0 Y4 Y! g. k* x2 g        [1 0]  ->  [0.25 0.25 0.25 0.25]
* {0 b# F: Y8 {# y- s7 s+ U        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

  A5 B' G9 [2 b; 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]。

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- u( g) T1 P& ?) b! p' q
- }7 X7 q% G6 C$ p* D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。
5 J6 y1 @5 b8 _6 n9 g/ y
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
8 Q) I5 Y$ e% Y& j; V
这么大一个程序，看来只能靠自己了
1 A4 f; Y0 ]1 x! l3 L, t% c
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。。。。

) D/ J" y: V& q! y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
5 B' b1 a7 N4 L- `) D
6 D& U, w, I1 F3 F. d但是程序又不会写了~汗