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：
# ]3 B; _) L5 `+ y. F6 l! e  l
/ L' U& F3 M3 @4 O' `& P) v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。
' R% h9 C5 A4 F% T% Z& O
, E$ m$ B+ n$ {以下是对编程有用的具体的算法：
/ I1 B: Z: V, t; t$ s
& m0 V* q8 c9 ^7 w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 |) g* l8 G& P+ S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]
. @/ i* N: {+ S8 ~5 `/ ^        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
/ C8 B/ _3 Z& y2 S6 b$ p       ]

9 ~; T" d7 u. @; F4 [+ v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]。
0 r7 ]6 Q/ H) ^% v: r2 }3 @
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。

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。
) z3 A  z# G' G9 b* L) ]6 N
0 @* H* c  p% X1 e# @& y4 g恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
# N1 S. e1 Y1 A7 M
这么大一个程序，看来只能靠自己了
7 u' F0 U) O3 {, M9 ?
3 d% Y) l7 U( [1 C, a6 v6 c- 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。。。。

, ?* N% t8 l  z8 g- C! O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