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：

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。
6 U/ ?, k# N- J; s
以下是对编程有用的具体的算法：
- U+ m5 a( ?) e5 I' u9 b* B
" U, d4 y* [- ?4 V. ]: q/ 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]]。
. a2 j" k9 T7 |, Z
% r8 F6 ^" d1 i% y; t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。
: [  k3 I' H0 j, }
* L' l2 C' v/ H' k2 V2 M" O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：
( ~, }! z7 Z% o: q  Y. f
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
% t  p# F* x' _; @: V        [0 1]  ->  [0.25 0.25 0.25 0.25]
3 p$ L) I# w) l7 r        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
  u9 L6 {6 ]% D2 u9 t       ]
) _' f& K6 r) M0 D" \; T, ?0 I
- Y4 }' L5 p5 j( M8 w7 c4 F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]。
( J& t3 `% I, A2 B
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。
' j+ b3 O/ G( n
2 D8 d7 j! @1 t  _1 _" z( Q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。
' D1 m0 X) H3 C: ?8 ^4 n) {
8 n0 d$ {; U% N# u5 ~恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
% J" l' O: J( t" I- ^8 j. }
3 h3 z& N- k8 u, z! [' S这么大一个程序，看来只能靠自己了
$ N% w/ |$ l6 @% m5 A0 J, \
/ J: l! t0 D9 G+ I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。。。。

0 W- B" U+ A  N% s3 @( i- ]* 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

但是程序又不会写了~汗