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 F; K) b& R1 l. A& F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。

! g& t0 Z. }. r7 K0 n以下是对编程有用的具体的算法：

$ `7 \% K9 |/ k! M6 {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]]。
+ m) Z* L7 I3 s- u0 ~  ~3 t
1 c0 b% o) s) u  B2 C0 [; w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。
; L- T, U# |1 i
! t, h6 F5 M% y; u& I7 T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：
: v' F5 ]8 E: K6 p/ ?, n* i) y
  [) {  n' x& z0 c      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' x4 M% s% x) w* r7 u: R% @9 B4 ~        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
9 I3 u& L6 l6 k0 `( v% P" R* |        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
% q* Y* j5 J  k5 Q4 p7 M' u
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% C5 g/ z: B( g; Q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。

: H1 B  C; j# {: [" G% m3 m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 L7 o! g& g) g1 b恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

' [( h- h) ^& g% ^! V/ |7 H这么大一个程序，看来只能靠自己了
" ?" n: I. c1 F* ^7 p. R
) Q6 y& I) u% v) E4 {2 `% y5 [$ I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。。。。
" _7 B, U# C. Q" w
+ a1 {; m5 W' z" W3 m$ w1 t) C; x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
+ i2 G2 o2 E  M5 B* w" H$ T/ W
  |9 q5 ^4 ~* T- O5 M. H2 H) R但是程序又不会写了~汗