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：
4 S( [7 o1 t6 z  K& a+ y5 Q' R
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。

. d# ]" p5 I7 l+ k) _) Z8 G$ Y- W" \以下是对编程有用的具体的算法：
- S! N$ Q3 W- m) z8 @" V- v% u
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]]。

; B* ^& e: o, N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。
* L" t2 D/ q$ F2 q3 i* U
: X1 @& a2 E/ C$ o+ _* m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：
6 u: \2 {( C4 l7 h% T# p- N
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
) ?) Y9 v% n. b* b        [0 1]  ->  [0.25 0.25 0.25 0.25]
' i& t' E% V. A* L$ |7 `6 g6 }        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
" w5 K- v0 H1 t" A4 y$ q       ]

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]。
) ^& |- p/ h" f0 b9 z8 t  v4 m
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。

) l1 o, O4 a$ c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。

% k. X* ]5 Y$ j( w恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
0 \9 X; D5 ^1 S- i( Z2 t
! \6 H; D8 A4 l$ Q4 i! A: D这么大一个程序，看来只能靠自己了
: R, d) s+ b5 |! P
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。。。。

2 `0 a% ^6 l( c3 E0 o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

: G2 e( F) Q3 J但是程序又不会写了~汗