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。

以下是对编程有用的具体的算法：
# H  U, }4 v% V4 P
5 j& a% p, Q& v+ Y. U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]]。
) ~) C" N+ Y5 i6 f2 `) ~
/ D5 p8 m6 l$ o6 R8 S5 ^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。
  l/ {) D- D; q9 j7 v! h6 v5 H( \
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：
8 \5 h( k: H, k: Q$ \
3 x9 c! d0 N5 [5 S      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
% q" g- D1 y+ v9 d& R6 \: B6 c! \$ B        [1 0]  ->  [0.25 0.25 0.25 0.25]
4 H$ h- A- Y4 E7 ~* u) W* f        [1 1]  ->  [0.25 0.25 0.25 0.25]
" b$ U- ?4 O* R& [: E( q: @       ]
$ i# I: Y- X/ e) G
$ f" c+ ^5 f) c+ n$ }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]。

- s0 F. y& O6 g# m9 V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。
0 x1 r9 S4 {0 A$ P. F# y/ h# ]
$ B7 w5 H- m/ o: L2 a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。

" f+ H# f2 G2 h- Y恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
, h, M9 w: D# x0 M1 l, f$ h
这么大一个程序，看来只能靠自己了

  i. T5 S% a' }, x9 k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。。。。
. {  l$ G0 [& W
5 H) u( F8 K5 s9 h3 {* I/ J' o4 }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
. K: \6 @! t* r. B) v" z$ h# o
但是程序又不会写了~汗