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：
( }# g  X* H% X, N
0 H1 R# ^) I6 A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。
$ L* q- ^# m; O, x' a8 p8 F- M. i2 }0 @4 b
) T' n. N( f" j. ?7 u1 U以下是对编程有用的具体的算法：
- |: x$ S& F, \4 o7 e4 Q. G0 p
% p, t" c" D* S# f' M3 L: }8 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]]。

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。
/ {9 X0 z6 h) M6 x2 {( B
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+ f0 {: X* M
, Y  y& s9 o! w" a      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
& C8 v- u% Q9 y$ }, O; \; e        [0 1]  ->  [0.25 0.25 0.25 0.25]
, a. r1 K: _: u* g        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
4 @+ r0 N+ ?  c7 H+ ]  d; w       ]
- `; L! r) V" S& E" }  A, _4 w: V  `
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]。

5 h0 G8 k/ ~; C0 Q' 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。

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。

. E* L! h/ _5 s& z恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
- Y0 w# L, ]1 ~. J5 _! ^
  F. h; ^" p' s2 _这么大一个程序，看来只能靠自己了
8 r4 E. ?% n  L! G
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。。。。
) g/ B2 e; z  P% }5 m
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
" m- D: l- v. i9 [1 J! e. U
但是程序又不会写了~汗