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：
. X* ]* Q' n" J6 V( h2 j' X5 o
/ _2 H5 F" e7 c8 G! i" z+ A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。

" E0 P) ?- ^- h9 I8 c4 W8 T2 I5 z以下是对编程有用的具体的算法：
4 p( G. t, T7 _5 V
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。

1 S. I6 G" o7 ?1 [7 T/ L6 w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：
/ K3 s' f- ?0 p7 o
: H6 C8 B1 x7 y7 \      [ [0 0]  ->  [0.25 0.25 0.25 0.25]
. }, T# `6 S! J2 Q  a; R4 D6 b" V! b* `        [0 1]  ->  [0.25 0.25 0.25 0.25]
7 q* X1 h) S* D# e/ J1 X        [1 0]  ->  [0.25 0.25 0.25 0.25]
( R* ?' s0 l+ C6 T5 e; v        [1 1]  ->  [0.25 0.25 0.25 0.25]
       ]
5 \" Z6 r; ]7 Y5 I% ?$ F
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]。

3 W; A5 Y$ q- p. a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。
& V' z, W: q* k$ ]. E1 Y
# o1 Q* g) q3 X/ ~5 M) R3 V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。
: x" q3 L4 ]1 Q9 A7 J
恳请高人教导！

sun_kenny

晕~鄙人本来就没什么编程经验。。。。
; B8 {8 a* x. X' P- D) ~
这么大一个程序，看来只能靠自己了

* x; D6 f4 H7 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。。。。

1 e! b4 q' B) y6 X1 ^; e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

( J5 Z  t* t% T5 s但是程序又不会写了~汗