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
AliCloudROS10 小时前
5~7 分钟跑通第一个 Agentic RL 训练：我们把 verl 全链路做成了计算巢一键服务猫先生Mr.Mao17 小时前
具身智能之Dex-One2Many详解：一条人类视频如何变成多种灵巧手行为liferecords2 天前
PolyOCR-Venus：蚂蚁把 OCR 从『抄写员』练成『视觉智能体』，教师蒸馏还会自己下岗zh路西法2 天前
【离策略强化学习】DDPG、TD3 与 SAC：核心公式推导与源码解析老周聊架构3 天前
领域模型进化：GRPO 强化学习与 Post-training Engineering盼小辉丶3 天前
PyTorch强化学习实战（28）——遗传算法在强化学习中的应用幻影123！8 天前
AlphaZero 五子棋实战(番外二):白棋专项训练的一种方案I Am a robert girl9 天前
从科学代码库到智能体训练场：ScienceIDE 的架构拆解与工程启示Better Bench10 天前
从摸石头过河到看录像学习：强化学习与离线RL的进化故事论文复现现场10 天前
Qwen3.8-27B 做 GRPO 需要几张 4090？Coding Agent 显存预算与多卡验收