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：
* o0 h7 B; u6 N1 Q. v  F
, p  t5 L' U* k6 j$ v. b+ P. y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。

% }( U3 L9 I3 o/ f以下是对编程有用的具体的算法：
8 \; h( ^/ V  U9 m6 v  b
  w5 K# j. _' L& |! {6 k, 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]]。

- T" D# [! U& C3 R2 `, N$ Q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 F9 g) x( O# |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]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
! S! G4 k4 w4 i5 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]。
; L5 V; q# @/ B$ 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。
* [* q9 @+ O' O' ^* J
8 r8 z4 n8 _# k& n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。

6 |+ g' r8 }( z# Y& {2 i恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
' I+ N- p, r, K
3 {0 n8 W" i8 C) C! J) p& x8 ^9 C这么大一个程序，看来只能靠自己了
8 F1 @$ ^2 W- f
* [  a) u% \, n% x8 o  ?% w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。。。。

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
, C: A9 H5 b5 u+ z* V; V
8 N. Q$ S+ _- w$ W但是程序又不会写了~汗