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：
* r1 N! |. w$ E% ~- V2 M
% ^' f0 M  A2 _) e/ [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。

3 [* r, O8 A1 c+ q, Q$ Z, q# q, T以下是对编程有用的具体的算法：

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]]。
, k  W. G2 i7 U! s# K
4 p5 _: E, O( X' e* U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。
0 y7 T: X; n/ V
- |+ N5 o% j" q2 _: |) r# x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：
6 H, G2 i# p! k  a
# _2 g2 }5 ~' w8 l  u      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
+ @4 e; c' B2 Q& M6 v$ |        [0 1]  ->  [0.25 0.25 0.25 0.25]
4 W8 k4 [" [- Q1 g( e5 h        [1 0]  ->  [0.25 0.25 0.25 0.25]
- ^9 t6 R( Y" B        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]

9 F; y. ]0 |2 t. Z* ]! V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]。
8 B8 K6 P1 J# t& m8 E) U4 {* p
. H. X8 S, u) ~" c7 x! t, V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。
8 F2 [9 ^4 s6 [( \1 E: e2 Q5 F: s* _
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。
! {9 ^" l+ `+ n5 e
" G7 S- B$ F+ o( l) Z恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。

# p7 b2 g, u9 M# k8 J+ Y4 L2 n这么大一个程序，看来只能靠自己了
8 p% D7 J) o5 T7 O* s! o
2 V' H" g0 s3 `+ y& g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。。。。
8 x) G6 P: E; n8 {
7 U7 \! p8 r; ]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

7 \* Y/ r0 U6 N; X4 m9 S) G但是程序又不会写了~汗