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：
4 s) e$ @0 o. ]5 k' P
) C9 ~& h6 B9 D9 K* i$ o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。
, ^% j: R  z% }& }) d
! b. e/ b6 c  R/ d# g( W& z: ?以下是对编程有用的具体的算法：
/ c3 h1 [" B6 D) e/ m" |0 h' S
) Q, x- M" g& D$ X" @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]]。

. q+ C* `8 f7 ^8 ~) F7 |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 h  W$ c+ R  U  e) H
8 i+ f* Y+ F) f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：

( |1 S+ R$ I2 ^( F* h% a7 Q      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
" s9 V  ~- T, ]+ Z# v$ k9 W) u        [0 1]  ->  [0.25 0.25 0.25 0.25]
2 c) e& A" c+ b1 A$ ~& F        [1 0]  ->  [0.25 0.25 0.25 0.25]
+ N4 t/ U0 o, y7 ~3 y% a/ _        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
0 H  u! k* u+ K% t9 O
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]。

( o/ v# b1 w3 I" R# 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。
: F% T. ?0 P- a
. b' R/ v. o2 n/ z: 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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
  t, `  F+ h% e9 h8 `
这么大一个程序，看来只能靠自己了

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。。。。
% M7 N6 }0 f4 G3 [# k
) ?* V  p1 N% t; R7 R' `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

2 o8 e6 `1 K9 Z: j2 N/ H但是程序又不会写了~汗