探索與利用
增強學習任務的最終獎賞是在多步動作之後才能觀察到，於是我們先考慮最簡單的情形：最大化單步獎賞，即僅考慮一步操作。不過，就算這樣，強化學習仍與監督學習有顯著不同，因為機器要通過嘗試來發現各個動作產生的結果，而沒有訓練資料告訴機器應當做什麼動作。簡而言之：缺少標記；
想最大化單步獎賞要考慮兩個方面：一是需要知道每個動作帶來的獎賞，而是要執行獎賞最大的動作。
實際上，單步強化學習任務對應了乙個理論模型，即「k-搖臂賭博機」。什麼是搖臂賭博機，就是，如圖所示，賭徒投入乙個硬幣後，選擇乙個搖桿，每個搖桿有一定的概率吐出硬幣，這個概率賭徒並不知道。賭徒的目標就是通過找到乙個策略來使自己在等量成本下，收益最大。
那麼，假設賭徒有100個硬幣做成本，那他可以有兩個選擇，一是「僅探索」，就是說，把100個硬幣均勻的投入到5個搖臂中，來探索每個搖臂吐出硬幣的累計金額，從而得出哪個搖桿最優；乙個是「僅利用」，就是說，把100個硬幣投入到目前平均獎賞最優的那個搖桿中（多個最優則隨機選乙個）。顯然，這兩種都有缺陷，想獲得最優的平均獎賞，就是要找到二者的平衡。
於是引入兩種演算法，貪心法和softmax演算法。
強化學習 K 搖臂賭博機演算法
有k個賭博機，每個賭博機有一定概率p吐出硬幣，但是我們不知道這個概率是多少，每個賭博機吐出的硬幣價值v也是不一樣的，現在有t次機會選擇賭博機，怎麼選才能使得到的硬幣總價值最大？在下面的不同演算法實現中，統一設定 可以計算出，這種情況下 如果每次都選期望價值最高的4號賭博機，可以獲得的最高總價值為28...
C語言賭博機擲骰子
乙個c語言寫的小遊戲 賭博機，適合學習c語言的人學習借鑑。a c language to write a small game gambling machines,suitable for learning c language people learn.下面介紹賭博規則 莊家 及賭場老闆 和玩家 ...
強化學習學習筆記（第二章，多臂賭博機）
本章節以多臂賭博機為模型，介紹了若干個在簡化環境下的強化學習演算法 動作不會影響下一時刻的情景和收益 1 貪心演算法，每次選擇期望收益最大的動作 2 貪心，在貪心演算法的基礎上，有 的概率從所有的動作中等概率選擇乙個。如果比較大可以更快的找到收益最大的動作，但是會影響選擇選擇收益最大動作的概率 0....