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：
: b5 v2 N0 Z% D3 m" {
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。

$ G, n6 I: _1 X& ]9 c; X以下是对编程有用的具体的算法：
# n$ O  W7 l: q7 G
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]]。
0 r% A2 ^& F+ h/ v; q: j8 }
( i% D  Y: C( p  ~, b- T6 S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。
" e8 ^- v1 O5 k9 ^, G2 L
% s6 R3 f, q6 l+ {/ 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：

+ i& F; B, c( W5 h      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
+ D) u* l8 Y: d) ?; d        [0 1]  ->  [0.25 0.25 0.25 0.25]
6 I' J, }* I* m( Z        [1 0]  ->  [0.25 0.25 0.25 0.25]
$ _) x0 U, m$ ]9 D7 s        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

& _; U, S; j% C. l( u' _, 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]。

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。
6 f0 {. n" q: W6 _
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。
6 ^0 T! r# R' d2 N3 {4 A
( }6 @1 l8 [0 {; G- `1 `恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

  r: v- C: ]; b# z1 A) n4 e这么大一个程序，看来只能靠自己了
. b: r) U: {% }* S4 z4 A  _
7 m" n  u* ~# h% N9 ]. 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。。。。

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

# X. k0 N( P! H* l但是程序又不会写了~汗