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：

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。
' P/ G1 q9 T  c6 D: B+ P6 e8 ^0 ~
以下是对编程有用的具体的算法：
# F# c! P* Z& A6 M
( x! }. y% {" n# I( ~9 U" [) ~9 Z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。
( A0 Z: Z; v7 g
8 O1 J" M. y* v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：

# s3 c, }) c3 {+ z$ K$ _      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
' S/ @8 e8 {2 A' x1 ]        [0 1]  ->  [0.25 0.25 0.25 0.25]
        [1 0]  ->  [0.25 0.25 0.25 0.25]
& ]& l5 M6 F/ w7 o9 v) Y( N        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

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]。
4 J' v8 u. H1 O  P" f- Z
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。

7 u# r; R) n% F- H4 g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。
7 P, t4 ^( V! z( G$ K
) A/ A* a1 ~" f  P) M0 t: L" A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

2 t0 i' B+ q# \0 X; H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。。。。
5 l4 m) j, W/ F' A  o" |! k6 H
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

- m" x8 k3 a3 |6 x, O0 x但是程序又不会写了~汗