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：
  l  a: S' f( ^- E5 w. A
+ G5 N# x4 c% a9 _  t# j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。

) [' R' @: h2 M; U以下是对编程有用的具体的算法：
  w% x1 r% _" f" g  X
' t' s5 l0 q( h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 T& e- X- t2 S8 t: ^* o  F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：

. J( X$ z- [" `% b  J      [ [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]
+ A, f' P+ }) @3 I9 L' B) ~& B       ]

: g6 a+ R6 Q; X! s' G  a' G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 A. h4 e: t# U8 L7 t! H4 q0 q6 h
1 A5 K$ L9 n: A3 D; c3 m4 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。
2 a4 \6 L  t! [2 `0 e
% `7 n- g8 Q. Q4 v" {+ d( @$ [2 ^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。
$ u7 q1 r/ j1 U
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
$ z* V4 O! g9 r! _: \) K
这么大一个程序，看来只能靠自己了
9 o0 Q( r/ m) a8 l" j/ ?9 Q
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。。。。

5 O; p7 n+ C4 F: p) 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
& [5 q7 K  G0 o" w6 f
但是程序又不会写了~汗