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：

" v" h. x' z) V+ T; _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。
" t( T) Q5 `8 `, h$ A
以下是对编程有用的具体的算法：
2 O+ R- ~7 l2 P0 V; L
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]]。
4 H! M# l3 G* S. N! m  C- G! ?0 F
7 j& T/ `" _7 d4 f  e- t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。
! N& [8 K! r. \; Z9 O0 j
( a, J+ x; D+ o6 c9 @5 N  V- m; u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：

# S2 t5 X9 j$ d  {4 H8 p# U5 Q      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
: `- j1 U8 G$ n1 |        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
# }- V, f' i  ]3 z        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
7 `. J! H. I0 G
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* B: t' S7 q, a3 L# j1 t5 ^0 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。

: [$ E) Q* }4 g. C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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
/ W, g$ e& ]4 a
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。。。。
( h8 L7 Z3 {: c" l1 c
  H1 D4 c$ c" i$ L* _) l9 F* U$ [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

但是程序又不会写了~汗