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：
- U6 q) H) \8 {
3 W# P' r7 b% a- ^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。

% ?! J" T; T" ]9 x以下是对编程有用的具体的算法：

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]]。
0 [- E8 m/ y# }3 v- |: H
5 ^$ s8 Z( ^' H% }7 c; 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。

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]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
4 z1 u" G# s* Z( J( H! G        [1 0]  ->  [0.25 0.25 0.25 0.25]
8 p$ g1 i* }5 ?4 \        [1 1]  ->  [0.25 0.25 0.25 0.25]
& N" G2 m' q, q4 H! }6 `2 P7 `       ]

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% l7 L' ]9 @) q# ?2 ?
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。
4 O! f2 S* L; r
9 q7 |6 V) m" m5 c& |7 f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。
: H& }8 T' i- c0 [2 {4 M1 e- ?6 l
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

3 O2 T: o* \2 G6 D  h1 U( o% Z( Q# H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 g3 ?; F& X4 ?' B% P1 L) K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
" g! u; h& ^! B+ _9 X  W: x" X
4 R" D+ Y3 \) t0 h! o9 v但是程序又不会写了~汗