n-armed bandit problem

n-armed bandit problem的ε-greedy算法

1、实验的目的

    这个实验的目的是想说明，只要一个action被选择的次数足够多，其Q_t(a)就会收敛到Q_t^*(a)，即，该action的action value。而使用ε-greedy算法，能够最终找到action value最大的那个action。

2、仿真实验过程

    首先要明白，凡是仿真，都是要重复实验的，最主要的目的是降低随机性的影响，尽管这个n-armed bandit problem本身就是个随机性问题，但也要通过多次实验求出统计值，消除初值的随机性。因此，选择2000组实验同时进行，每一步计算都取2000组的平均值，就可以看出总体趋势。如果只做一次实验，很有可能由于初始随机选择了一个action，随后就以该值为中心选择，最后可能无法收敛到均值最大的那个action。

    本实验假设n=10，经过1000步action选择，统计2000个实验的数据。实验过程如下：

1)首先，生成2000组(0,1)正态分布的随机数，每组10个，即为每个实验所设定的Q_t^*(a_i)值，并选出每组中的最大值（一个检查策略成功与否的指标就是从统计角度看，是否越往后选择这个最大值的action的概率越大，大到什么程度）。

2)然后开始选择action。初始化的各个action的Q_t(a)都是0，因此，第一次选择是随机的。被选择的action(例如a)的reward是服从(Q_t^*(a)，1)正态分布的随机产生的一个值。Q₁(a)就等于reward(a)。

3)然后根据ε值选择下一步action。随机产生一个数，小于ε就随机选择一个action；大于ε的话，就选择Q_t-1(a)最大的一个action，如果有几个action的Q_t-1(a)同样最大，最好随机选择一个。同样，被选择的action的reward是服从(Q_t^*(a)，1)正态分布的随机产生的一个值。

4)根据Q_t-1(a)估值公式更新被选择的action的Q_t-1(a)，可采用average_reward(action, 1, j) = average_reward(action, 1, j)+(reward-average_reward(action, 1, j))/average_reward(action, 2, j)，即：Q_t(a)*T_t-1= Q_t-1(a)*(T_t+1)+reward来计算。

5)上述过程对2000组分别计算，并对Q_t(a)取平均，这里，a不是同一个a，分别是各自组中max(Q_t(a))对应的a。因为本身2000组实验是同分布的，所要验证的只是能否获取最大均值的这个趋势，因此是对等的。

6) 计算2000组中已经取得最大值的组数，这个指标应该是递增趋势的，表明行为选择将会收敛到这些最大值。