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：

0 P. u& q8 `3 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。
+ G! E% `: z- g7 f9 o" t" s
以下是对编程有用的具体的算法：

6 k  Y5 K6 U2 n3 ?5 Q* X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]]。

4 N, A2 A/ M5 j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。
6 q2 c* \% I* k0 S- 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：

8 X, e6 e; b4 N/ C; Q      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
4 r7 \4 B; m, g. S  j% S' G: R        [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]
/ g% |+ d6 M: z       ]
  `4 T; c! `. ~8 K1 m- X4 Z% 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]。
& f$ {* \! }/ s
0 |, R( b4 ?7 V  g! y3 k& T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。
9 D1 m! g( e3 ~7 Y; r! W
' ?9 Z7 S; H  j. A' x) }4 i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。
  l" U/ K, Q6 Q
( h7 |% r: |( N1 E8 d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
  a1 C' G! A+ e. V2 k+ H; \* s$ n
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。。。。

! D" e" U2 ^5 a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
( W' T$ l' ]# O7 c9 c9 t5 V5 C
2 @2 B1 ?4 {* ?# a( a7 J但是程序又不会写了~汗