epsilon-贪心算法:以epsilon的概率随机选取摇臂,以1-epsilon的概率选择平均奖赏最高的摇臂,其中epsilon可以取0.1或者1/根号t,即随时间变小softmax算法中摇臂几率的分配基于boltzmann分布,平均奖赏高的摇臂被选中的概率高于平均奖赏低的摇臂 其中,Q(i)为当前摇臂的平均奖赏, τ>0称为温度,越小则平均奖赏高的摇臂选取率越高,趋于0时趋于仅利用