qq_45546210的博客

随着拉动次数的增加，两个估计值应该逐渐接近它们各自的真实奖励期望值（500 和 550）。具体来说，我们需要通过多次尝试（拉动手臂）来逐步更新对每个老虎机奖励的估计，最终找到两个老虎机的奖励期望值。：表示有 10% 的概率进行随机探索（随机选择一个老虎机），90% 的概率进行利用（选择当前估计奖励最高的老虎机）。的正态分布，即 N(550,100)N(550,100)。的正态分布，即 N(500,50)N(500,50)。右边的老虎机：N(550,100)N(550,100)