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：
6 {# `- R2 q9 }* d; U( o
% a! }/ R1 f6 N0 y% [  |/ q" j, J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：

6 e# {8 s6 c7 L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。
7 _, C) x2 }0 y
- z, t5 ]# k4 n% U7 ^; J8 V; 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：
2 l( L/ d1 ]2 T1 X
5 c/ a( b! A5 e! Y5 A3 D      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
0 D$ h, ?8 a" ]' G1 O        [0 1]  ->  [0.25 0.25 0.25 0.25]
7 j- \1 m! w2 S1 y+ g; d        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
+ n% [8 i5 f1 Q& E5 r       ]

; F1 N8 y* Q* u" ?6 q% 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。
9 {, d" c, z! Y3 n. I7 P
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。
+ h0 L$ p3 s9 y5 y0 U
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
5 Q: B# y$ c' `! c8 ?
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。。。。
% D- e, ^2 R9 W: e+ q
; c+ d/ n# P+ G7 g' z$ g; e* q/ K+ ?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
. T- f2 J: r& ]
1 `0 H% }0 Z7 H. y3 ]但是程序又不会写了~汗