smile_xiong的博客

R为奖励概率分布，拉动每一根拉杆的动作a都对应一个奖励概率分布R(r|a)，不同拉杆的奖励分布通常是不同的。本次以随机生成了一个6臂老虎机，获奖概率最大的拉杆设置为1号为例,然后可以当ϵ为0.01时的5000次后其累计懊悔图像，通过图像可以发现，在经历了开始的一小段时间后，ϵ-贪婪算法的累积懊悔几乎是线性增长的。本次实验使用ϵ-贪心算法解决多臂老虎机问题，去思考了其表现方式，累积懊悔分析等等，深度学习了强化学习相关概念，了解探索与利用的平衡策略，运用强化学习解决问题，总体感觉还是不错的。