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：

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。

2 \# t& K" ?& B& n, G4 q; L( B以下是对编程有用的具体的算法：
1 u/ i8 R) i* n7 j8 k0 t0 s
5 p7 V* c  B/ M5 y+ P0 Q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]]。

% z; @8 a0 y  o3 X+ D: O% P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。
0 T' B% l  ^' E  I+ n
  ^) S) p: [  y& \* h! N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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
* ~+ Z9 O5 D5 R6 o! Y; X4 S9 j" H        [0 1]  ->  [0.25 0.25 0.25 0.25]
" R8 f) S0 R' ^+ m: Q! X        [1 0]  ->  [0.25 0.25 0.25 0.25]
8 i: I& k7 n% o* x* \  g& C        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

6 P4 q3 U& C  A- r% s0 e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]。
# c( H% q7 j, u9 b2 o
, C$ L/ H) v+ z4 j; O. x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。
4 M7 u' _7 d' J, K% L1 G$ f+ N* v
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。
" t& l6 O* c1 V( p
7 U4 B" O! C- F, }8 Z0 i( Y恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

& v' U  D5 a4 X这么大一个程序，看来只能靠自己了

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。。。。

6 k! i& r7 f+ P. c8 e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
! p3 j* }7 }. t1 l' x4 j
3 C" {8 G$ Q3 q但是程序又不会写了~汗