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：

) w4 P7 [& w2 J0 G3 Q8 V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。

以下是对编程有用的具体的算法：
7 T- V: p7 u) z- i
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]]。

( N0 H6 ?. U. a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。
! e/ [& f& s+ [& w
, P% a( u' n5 C; v' x+ s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：

- A) U, m& [7 }+ H+ ~  B% J+ }      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
7 F4 `8 g) {7 g1 n( H# o" S        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

/ @! H( Y0 a: }+ w8 ]/ ~6 ]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]。
& J2 K# w8 d' D
) j2 x8 f0 |9 e# ^! 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。
$ ^  U5 m$ s  U) N9 K# @# f& t
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

# A5 W- _3 ^) h0 ~4 E* l) q' ~这么大一个程序，看来只能靠自己了
: A) L" s" O; w* ^! m
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。。。。
( c9 T/ m' a2 P, Y" m% r
# V3 M# N0 d* Q$ m4 j  s- Y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
. ?, n; K8 W+ [! Y& r+ U- X/ \8 I
! w9 C3 w% g, _5 E8 ]但是程序又不会写了~汗