# 多臂老虎机：探索与利用、策略梯度

> 来源：https://deeplearning.bnuai.com/demos/bandit ｜ 作者：唐志清（北京师范大学） ｜ 更新：2026-11-01 ｜ 内容依据邱锡鹏《神经网络与深度学习》（https://nndl.ai/）及作者公开课件

> （此处为交互演示，请在网页中使用：https://deeplearning.bnuai.com/demos/bandit）

## 观察要点

1. 强化学习需要在探索与利用之间权衡。
2. UCB 用置信上界鼓励尝试次数少的动作。
3. 策略梯度直接优化策略，引入基线可以显著降低梯度方差。

相关章节：[第 14 章　深度强化学习](https://deeplearning.bnuai.com/chapters/14-deep-reinforcement-learning)。