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：

1 [0 W4 p1 F5 t6 u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。

  X1 r+ P1 ^5 Y3 R6 h以下是对编程有用的具体的算法：
% h2 A! K2 _) [" L* U- e
$ c6 W3 `' N( p" k4 Z( Z' x* k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 s( I4 |# s; v5 ^
" P; v  y- i5 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。

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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
9 v" y3 q$ M2 u4 Z5 a5 M- i        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
& l' Q% f) w) Q       ]

) [- v, c. S1 W4 n8 Q/ I% L4 A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。
8 Q' b- k  `) q; W* p" v0 Z8 l
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。

! \- T) K- w; C2 _) ^0 `恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

. i+ o; T: t* W: l0 I4 c3 v这么大一个程序，看来只能靠自己了

) |, ^+ s* E2 P5 U. F+ P9 k* e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。。。。
+ R: C7 G" P6 \! f8 @
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

# M- e: b$ N; L( m8 q但是程序又不会写了~汗