多臂老虎机问题及其解法

多臂老虎机问题刻画了探索与利用的两难：面对 K 台奖励概率未知的老虎机，需在有限信息下最大化累计奖励。文章给出 Bernoulli 多臂老虎机的形式化定义与 regret 损失函数，并介绍 ε-Greedy 与 Upper Confidence Bounds（UCB）两类策略，代码实现见 lilianweng/multi-armed-bandit。