1. epsilon-greedy strategy
11111
2. UCB strategy
222
3. Softmax strategy
333
4. Gradient strategy
444
References
1 科学网---【RL系列】Multi-Armed Bandit笔记------Softmax选择策略 - 管金昱的博文
相关推荐
橙臣程3 小时前
RL 冷启动省在哪？从 GRPO 同分组到工具调用奖励草履虫AI课15 小时前
强化学习从零到一 03｜算法地图：基于模型 vs 不基于模型星马梦缘1 天前
openarm 双臂协作模仿学习 · 入门路线隔窗听雨眠4 天前
大模型强化学习训练的工程实现与调优路径Jsundoku4 天前
第十四章 深度学习 -- 基于模型的方法草履虫AI课5 天前
强化学习从零到一 01｜基本概念：从试错到马尔可夫决策过程盼小辉丶6 天前
PyTorch强化学习实战——从零开始实现魔方求解器lucas_AI9 天前
预训练、SFT、RL 是同一个算法？CMU 把大模型训练流水线拧成了一个「数据旋钮」猫先生Mr.Mao10 天前
让动作先接受“未来检验”：ThinkWorld 如何用世界想象强化机器人推理Jsundoku10 天前
第三章 强化学习 -- 多臂老虎机