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：
5 B! _8 y* X+ F6 @$ C6 }
9 K) ]* G2 g# C* S1 v0 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。
% u8 N/ l  T& l* ^3 X. C' ~
以下是对编程有用的具体的算法：
! m" T* ^& k+ N0 Y0 f  a
# ?" h- X" W. w  Z# Y6 y6 A2 ?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]]。

! F+ ?4 u8 x- U  H' l, B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。
4 a2 i0 _- j2 `! S: w1 x
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：
' o' ?- p& {) a; c- j1 j
# o9 p% s; V  M! K" U% G7 d      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
# |' e8 S6 r0 q% v        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
8 `8 s2 ^# Y: X2 d        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
1 M4 D/ \& t' _- o9 T' F: m; o
7 S$ l6 ~. h. U* D& 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]。

8 A3 f7 ?5 S5 n5 m% z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。

9 L2 S8 K7 n. A* t2 j3 K恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

# y6 s" D& d" f7 D1 |" X这么大一个程序，看来只能靠自己了
* k  V; C# g' v
; c/ U, y7 K4 z, [/ f! s4 G: d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。。。。
- U  x/ Z# g. Q
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
/ t1 r: G! h# f) q) {  E" v
8 ~5 Q5 Y! j3 _' }8 l但是程序又不会写了~汗