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：

0 f6 r; m, k9 W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。
* A9 `& H* g5 ~6 m
  U" y1 P! V0 @* }以下是对编程有用的具体的算法：
. v: [' t. I) x# [6 G
! q8 t/ G  w- D. w- 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]]。

) q6 j3 G( _* a3 e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。
- B) s, {8 ?) V% J, T3 v9 }2 K# 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：

0 \- D7 k% h, X' n" T/ F      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
  l: V- R" G3 y! |        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
5 [0 `1 O. n! {6 Q" M        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

* \% m% @) D  R5 D3 {4 i# Z  h/ `$ e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]。
* n+ d0 w* u2 I5 }: M
7 y1 g% {% ^. A( L  J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。
. e7 m- X% \2 d' j: H  {# y
% I" s1 V9 D2 e1 Q4 z9 _' k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。
/ w3 j4 F; S* Y0 W' t4 u. `! S
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

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。。。。
5 s: J0 P; n2 I5 ^' ^; Z
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
$ q2 K  M8 Z( z
但是程序又不会写了~汗