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：
  e- G$ d" a7 Z( u. r7 s  x
$ g" j  ]& ?& W) J6 }- 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。

以下是对编程有用的具体的算法：
" V0 P( o. T+ y- D: u$ z
+ n/ ?" t. M9 M8 ?# q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]]。
. q4 I( Y' h8 C  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。

. B& w3 e9 E) |; I3 g$ e  g; A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：

' }3 q, v. F3 I* u, k+ n      [ [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]
6 |/ h6 U. ~0 u8 w; F1 n3 S, A" p) p       ]
8 K! I/ ~# x5 R* Z" I9 P
9 ~, j( E( Y" ~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]。
# Z# t( B' L$ T# ]  |. h, a! A9 v
) l6 N5 A" s5 A4 P2 |6 O9 Z* n" {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。

9 U" m4 |& s8 _  k  X6 r. y恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
$ Q- {) a$ H% z
) N& ^" j6 _! Y* @9 R) O2 l这么大一个程序，看来只能靠自己了

. Y) J: N) c2 O7 c& 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。。。。
) z4 Y) a5 [0 Q4 e
. s1 D; R( A9 @1 ^1 k+ h3 h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

但是程序又不会写了~汗