spark__s的博客

打算看英文版Sutton的《强化学习》，从第二章开始记录下对每一章的理解，对每一块的内容大致介绍，留个纪念。 这一章围绕着多臂赌博机问题，介绍了基本的强化学习算法（value based），并探讨了利用（exploit）和探索（explore）问题。 2.1A k-armed Bandit Problem 有k个赌博机，每次的操作就是拉下其中一个控制杆，随后你会得到一个奖励。通过多次的选择，你要使得总收益最大化。其中每个赌博机的收益服从一个分布。k个动作的每一个被选择时都有一个期望奖励，称为这个.