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：
/ ?- k9 e0 E  ]3 [7 a- Q' F
4 W* o/ M- c* M  _4 C: G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。
+ H1 V6 K: t; z; d0 m" i- N
以下是对编程有用的具体的算法：
3 P- ]6 B1 U: l  T- B
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]]。

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：
/ U5 }3 ?/ h: D7 {% u
8 i5 b/ d* H$ f# |) M      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
" F  R( {6 P  ]        [1 0]  ->  [0.25 0.25 0.25 0.25]
9 f. ^6 E) D& M1 C        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

2 |) D2 H$ x& [( g1 D' b; 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]。
, V- ^) c, P3 C! i* U7 r
* X! d3 n  ~/ f. h. N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。

  @. q/ `+ h& U0 L$ X% b" y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。
1 P+ ]/ ~/ V' M9 T
5 y) E4 A& p, s5 ]恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
& }2 m/ V' O" g' @$ H" H
6 Z+ C2 e! X* g3 @( C- O- N这么大一个程序，看来只能靠自己了

2 C7 L6 Y6 u, i+ M8 z$ _; a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。。。。
: e4 \3 ^) r5 E) E; S
: k" N5 k9 S" W8 Y& [* J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
9 T: C# z0 x" m  C
1 @* R. g" v9 i0 I2 C但是程序又不会写了~汗