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：
# m) `: r/ I0 d- W" _- R1 j" m
# E, h/ m8 |4 M# E& ?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。

# h3 K" Y& b- W( X# a  U* S9 Y# S以下是对编程有用的具体的算法：
5 M4 V) w) j- J5 K$ l* b. J4 l
( B$ z! M' c, t( g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。

# V2 C1 m* Q% Q& O; E: v( t. L5 ]) p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：
) M. t8 V& I$ T. k% t# y6 ]6 {
      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
! e4 L( M8 F! U7 l        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
. f0 a2 }6 w0 a% V. y+ o( k; u        [1 1]  ->  [0.25 0.25 0.25 0.25]
, a& N0 Z8 j" w$ s       ]

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]。

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。
6 Q( h2 e) n5 b" ^1 S! j* c" {& S2 d# y
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。
  y% V3 J9 |+ j; [
. ?7 B) P# V2 c& ?恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

1 u, ^( g) V3 _9 e% O5 s  _! g这么大一个程序，看来只能靠自己了
; K, q: y7 Z+ g$ O0 K7 x
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。。。。

# t+ F4 \2 X2 c" h5 i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

但是程序又不会写了~汗