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：
7 e# M/ r8 r0 a9 p" A! Z
7 O2 j4 @% [( P! T( L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：
& Q+ R! i0 ]. T: e; w& @/ |4 k
+ T, e! z& I2 ]( y) H$ }# e. 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]]。
2 g- S% S4 s  Q3 d! d/ w1 Z, z: b  U
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：
) N9 [2 _8 V# Z8 u
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
! S; }8 k! n' i+ K        [0 1]  ->  [0.25 0.25 0.25 0.25]
3 V$ U  h" ]0 U% D( B" n' D/ [& j        [1 0]  ->  [0.25 0.25 0.25 0.25]
! M/ L# d- T5 S* }, x) e0 p        [1 1]  ->  [0.25 0.25 0.25 0.25]
2 G. A, M+ J8 S) @       ]
: f0 b  B; c& f- n
" N3 h! X# Q8 v7 S' s9 ~& A7 a4 E/ A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]。
3 c1 `. {1 o6 R0 X7 z( G1 t2 f% 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。

& D9 T' @! r: X- Z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。。。。

) \! {% H0 b5 i9 `( s4 X3 J: H这么大一个程序，看来只能靠自己了
& ^' Y/ m4 Y- X+ m: f# p
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。。。。

3 g2 d5 ?3 n. Z* V6 T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 c9 j- z1 \8 o& i/ [8 J
但是程序又不会写了~汗