原书出处
强化学习
12 探索与利用 12.2 多臂赌博机问题
总后悔值也可以表示为Nt(a)与Δa之积。Nt(a)表示t时刻已执行行为a的次数。▽a表示最优行为a*对应价值与行为a的价值差。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-021.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae