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。
5 H( D3 Y" {! K! `" H# a
以下是对编程有用的具体的算法：
) j1 O3 r6 T$ A  u+ w
# @# k5 Z2 k9 ^; _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]]。
. F& v3 O% |6 `! |5 `6 p
; `/ u3 O) o, H/ `1 p  L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。
  @$ G& n* a% X5 ]1 c
0 k" r8 f! g& u0 I* l% J4 w; a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：

      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
  e+ u# p4 k4 L. p% l0 Z3 G6 L! ?        [0 1]  ->  [0.25 0.25 0.25 0.25]
) G! y4 t: o0 \        [1 0]  ->  [0.25 0.25 0.25 0.25]
; i( k. U0 b+ p        [1 1]  ->  [0.25 0.25 0.25 0.25]
* r3 ?* R+ L( r0 t8 V       ]
6 X% f( M, W: h; e3 H" f0 e
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]。
7 G4 v9 K; g/ ~2 x: a  k$ E
* u5 z( T5 \! y& b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。

! f4 Q2 D$ m& I- [* l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。

恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
) U0 D4 W5 P* [9 Z1 A% _, Y
3 V5 |; c" @! r* I这么大一个程序，看来只能靠自己了
/ x3 b% @# s8 o1 Z: O8 F
* h6 c- n- D; n; z- W5 R% |0 O4 D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。。。。

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
# z2 w, E* t, G& O+ w- {& s0 l5 O
但是程序又不会写了~汗