置信上界算法 - 置信上界算法技术,学习,经验文章

Jsundoku

2 小时前

第三章强化学习 -- 多臂老虎机多臂老虎机（Multi-Armed Bandit, MAB）是强化学习最简单的设定：智能体每一步从 KKK 个动作（“摇臂”）中选一个，环境返回一个奖励；不存在状态转移，每一步独立。