原书出处
强化学习
12 探索与利用 12.5 置信区间上界
式中,Nt(a)是行为a的计数,Q(a)是根据历史数据获得的回报的平均值。可见,UCB1策略由两项组成,第一项是利用,第二项是探索。这样的设置使其能够有效地平衡利用和探索。算法流程如下。
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