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 q5 }3 c2 l- a$ O1 e
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。
. _( `7 p1 L. z1 p7 k/ [
# G5 i: |+ z$ N1 t4 Y9 R$ a以下是对编程有用的具体的算法：
# t  w8 L0 _" `* b  D! P% C
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]]。
9 w4 H" T2 i* w- M0 j  D  E
% r  N5 H% K. p" L5 V& z  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。
- H8 [  B2 Z4 W# e. @( ]
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：
+ W, y* V  J- d7 f7 u# p& B1 [7 u; J
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
* v  @; V3 H0 Q+ ]  Q. H        [0 1]  ->  [0.25 0.25 0.25 0.25]
9 C1 `: }# U! P" t        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
" m6 m$ x  j8 k: {# {       ]
2 O* V4 d# h: I$ f8 b
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]。

& g" a9 k/ E4 q* r  b* R* w) q# K+ p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! O/ C) X$ h; P" t
4 h2 E1 ^) j5 f. ^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。。。。
, B+ m) \9 S% ^5 T& l4 c! B9 ]
这么大一个程序，看来只能靠自己了
; j! D: M2 O) r0 V
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% @6 i- Z) b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
. v! r( G* X0 T( p
, c# ^3 }" [- j& J0 a但是程序又不会写了~汗