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：
0 J/ I1 A- V7 O0 z+ m
3 Y" F2 c8 F3 C  Z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。

以下是对编程有用的具体的算法：

1 l/ }* Q  N- [7 [0 p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. h) @. k5 G9 H/ C+ u7 F( F: I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。
$ ^$ Q& W$ U. B! O' N8 l1 C- _
! A. B- P9 S7 }# C1 D8 Y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：
! i: P) ^2 {0 g* k' w( f! b7 k3 N
4 \+ U7 T) ~4 j* z+ b      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
* k! V3 D/ J, F        [0 1]  ->  [0.25 0.25 0.25 0.25]
- w/ K% c- j0 D4 R- t        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
4 ?2 q4 d( q) R3 ?) ?2 R: G4 O! t( R       ]
2 K$ Y: p: I  ?. X# i$ F: K
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]。
* Q6 n& ?& j- o
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。
3 ?& y' X9 k& b1 g* I' Z
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。
" k9 B4 \) W6 x# y
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
8 }! X, [/ |* a& Y7 Y
这么大一个程序，看来只能靠自己了
( P) l' H6 S9 b# P! C& p5 P
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。。。。
3 u- ^0 }; F% h9 I( P9 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

: v3 k' @9 Q6 q2 @! F; _3 V# D但是程序又不会写了~汗