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：
) w+ |  r+ g8 s" @: f) f
. T0 \4 @  |5 P$ q( q; c4 ?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。
! o3 L/ ?, k% g' i9 D2 z* C7 L3 F( Y
以下是对编程有用的具体的算法：
$ c* P2 o% u2 y
: y  y" A+ j& J, W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]]。
! }6 I" R2 M, _+ d' I
4 I. t. H( g9 ^1 ?( q* _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。
. w0 J% @9 _* [! E% R
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：
( x7 q* _0 T, y5 M
- P; U. x" T8 m2 p      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
        [1 1]  ->  [0.25 0.25 0.25 0.25]
3 ], N' X1 l& E. T' `7 [! P  v       ]

" X& Q2 B# y; S3 Z% U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]。
; ^* J( E3 v/ J
! m% F! `$ g4 m  z1 @- d! O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。
# i5 }  M& ?0 @( X) V, X
$ K3 |5 ~1 [" u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。
/ l" \" Q* S4 [& a$ W+ ?
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

这么大一个程序，看来只能靠自己了
! N( D6 x& ~; i. f3 e. H9 b
7 }1 |7 K% r& |1 i# Q1 }8 p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。。。。
, W& v" w; H8 v4 e
1 |' }6 D: M' G/ 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
' X( c& }2 P# Y/ B
但是程序又不会写了~汗