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：

$ [) z* V5 M' }/ Q- M: \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。

6 c. T0 [, ~8 C2 ]3 D以下是对编程有用的具体的算法：

% U8 a& x; s3 }# s8 r1 n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]]。
7 c4 C: Z" N3 p" k2 U9 C
' g1 _9 D' m7 ~; R8 P, T( a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。

! T( U0 |, I0 x2 j: X+ A, l2 e2 O& 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：
& K( d4 G, g5 M+ ~# T3 V4 Q4 ~& ~
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
0 {% B/ J) n: v' B( X3 i        [1 1]  ->  [0.25 0.25 0.25 0.25]
% m3 @* o6 n! u$ w; x       ]

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]。
* Q( o* N: h! x. a  R/ `  D! ?
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。
! x3 ~8 g) r% F: U
! G( o- [4 i  y6 A/ F) x2 Q* t/ h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。
4 c( w: g' p! i) b1 C2 l+ S  T
8 Q1 g7 ~  K; \4 \0 W恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
4 r- B; U+ u! a+ m# w9 J. A6 g
这么大一个程序，看来只能靠自己了
* s! p& P: @5 J+ 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。。。。

" T$ y. X' X4 @% Z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

* u  n* f: b  o1 z5 n但是程序又不会写了~汗