文章目录
- 多臂老虎机的问题介绍(multi-armed bandit,MA)
- 奖励期望
- ϵ-贪心算法
多臂老虎机的问题介绍(multi-armed bandit,MA)
有一个拥有K根拉杆的老虎机,拉动每一根拉杆都对应一个关于奖励的概率分布。
尝试过程中,我们需要在“探索拉杆的获奖概率”和“根据经验选择奖励期望最高的拉杆”进行权衡。也就是exploration or exploition(探索可能或利用经验)。
奖励期望
对于每个动作a,定义其期望奖励Q(a) = Er~R(·|a)[r]。
则至少存在一根拉杆,它的期望奖励不小于其他任何拉杆,Q* = max{Q(a)}。
每次拉杆,都可以增量式更新期望。
ϵ-贪心算法
完全贪婪算法即在每一时刻采取期望奖励估值最大的动作(拉动拉杆),这就是纯粹的利用,而没有探索。
ϵ-贪婪算法设置 ϵ 为探索概率。每次以概率 1-ϵ 选择以往经验中期望奖励估值最大的那根拉杆(利用),以概率 ϵ 随机选择一根拉杆(探索)。
在探索中,ϵ会随时间衰减,但不会在有限步数内衰减为0。