强化学习---贪婪算法

无状态问题

中奖概率未知 有限尝试次数内最大回报

贪婪算法

大概率选择目前中奖率最高的 小概率随机探索

虚拟十台老虎机

虚拟十个按钮

import numpy as np                   
                        
probs = np.random. uniform(size=10)  
rewards=[[1]for _ in range(10)]      
probs, rewards                       

动作函数

def choose_one():                                  
    if random.random()<0.01:                       
        return random.randint(0,9)                 
    rewards_mean =[np.mean(i) for i in rewards]    
                                                   
    return np.argmax(rewards_mean)                 
                                                   
choose_one()                                       

def try_and_play():               
    i=choose_one()                
    reward = 0                    
    if random.random()<probs[i]:  
        reward = 1                
                                  
    rewards[i].append(reward)     
try_and_play()                    
                                  
rewards       

#把机会用完再评估结果
def get_result():
    #玩n次 
    for _ in range(5000):
        try_and_play()
    #期望的最好结果
    target = probs.max() * 5000
    #实际玩出的结果
    result = sum([sum(i)for i in rewards])
    return target,result

get_result()