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：
6 O* N; {2 f) a8 p/ J* j
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。

$ x4 s! b" b/ C% M0 i. m. o3 ]; M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]]。
6 ~; V4 L9 l! [* v/ L
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。

( R0 L: z8 E9 Y5 |9 F2 A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：

( p$ l+ r7 C- q* O7 s& E% }* H      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
* b( p! |; }/ k) E; I2 L3 {* j3 B       ]
* r# J- E' }4 R2 B; C: M% l- k4 R
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]。

2 v0 E1 _6 @! r3 p2 i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。

# w9 X4 L0 H. m, 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。
8 g9 j: O$ J; E! X; U( R3 ~. I
& ^' G$ S# `1 R恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
; d5 B( G$ ?' p0 }& V
这么大一个程序，看来只能靠自己了
9 B+ D# V- o; r& F; s. d
$ ]2 B, ~- I4 b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。。。。

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
0 G) F) H, V/ i& Z# {
但是程序又不会写了~汗