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：
, u- S7 l- ^7 Q
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。
. b3 C; {) |* L1 z3 S4 G8 s5 E- N
- i; I2 e! B- Y; N) `- e: M' X) i以下是对编程有用的具体的算法：

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]]。

& m7 l7 H3 c9 C) r. [  N  T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。

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 `: v/ R' U2 Z  q5 H  c
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
' S# N. K2 [9 U0 y: A6 y# A        [1 0]  ->  [0.25 0.25 0.25 0.25]
$ F! I% _& r6 }7 ^$ v* b; n! p  F# h! U        [1 1]  ->  [0.25 0.25 0.25 0.25]
" D6 O8 j0 W, U3 y( i       ]
: l8 S0 N; `, E' s
) F4 ~9 B( I; }: p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]。
! ~6 j$ ]7 w: I% ]/ y- a
: c8 {7 x5 g; [5 |/ u; N- b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。

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 \* j' T& y& O; z5 G4 c! y恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
/ p" C" z1 C5 B2 m, h9 @. w9 X) w+ S
/ Q+ J+ R8 ^" E. P2 _这么大一个程序，看来只能靠自己了
$ H- e! H' W2 D+ z
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。。。。
+ r! @& A1 |* @0 D
9 k- C8 r0 P5 t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

" d' A/ B% ]) [* p但是程序又不会写了~汗