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：
9 Z1 ]+ G$ ^9 }0 ^! N8 Q
  ^2 f+ M! V# ~( S+ _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：
& l% o1 H" S7 j' L* b1 ~2 M) {' B
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]]。

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。
3 V# R: J3 X1 D2 g% q
- P5 G7 c& J4 c) S9 K4 L% q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：
0 \9 L1 Y5 g6 w. D" p
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
  y5 D0 |; h. z( Z' L1 ~        [0 1]  ->  [0.25 0.25 0.25 0.25]
: Z$ g' F$ d% y/ I- ]7 k        [1 0]  ->  [0.25 0.25 0.25 0.25]
8 a3 L/ Y  F9 X0 |6 Z9 }. n        [1 1]  ->  [0.25 0.25 0.25 0.25]
4 @) G# e9 t; z. a8 Z' F       ]
( t( V" u! A/ S+ [( z
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]。

7 o7 U1 `2 M7 k1 C0 F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。
1 H2 J% c+ O) O* [
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。
7 h! D' `" T) H1 M0 c
7 n+ x; g4 ], e0 J: g8 x2 X恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

这么大一个程序，看来只能靠自己了

7 b/ B" h) z  |; A2 @" g2 C$ E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。。。。

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 K+ W$ o2 I, C* {, p
/ }0 z: M, e; |/ c* u5 R8 A但是程序又不会写了~汗