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：
5 L' E  `; h* L1 N4 R
) I3 n0 A" N/ a. w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。
8 m) y: ^$ H% x
# F# N6 X5 z& O, _) X以下是对编程有用的具体的算法：
" T$ x+ O4 ?, Z) Y
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]]。

1 W! |! M- u  H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。

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：

  Y2 l' U6 O, v7 [" ]      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
  m& @7 ]% `( x$ `9 n8 s4 Y3 p        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
; n% Q% p6 d0 D5 l0 B' a; D' e        [1 1]  ->  [0.25 0.25 0.25 0.25]
. {0 [$ E9 W, |5 H: b. n* W       ]
& D- t) |' e/ e1 R: O* ~+ X
. R) \% \! i7 G/ E+ p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]。
( a7 F* E* D3 q. L
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。
5 }9 s5 }, c$ y2 [
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

* ]4 Y7 v+ A. P/ z  k4 \$ L! @这么大一个程序，看来只能靠自己了
9 u+ Y: D# b# T$ Y
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 r0 ^8 b. P4 H9 ^+ v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
2 o$ y9 [) w% [" I& ~$ b7 Y
" B- G/ q+ z; s& l但是程序又不会写了~汗