强化学习中关于贪婪算法在老虎机游戏中的应用。

在老虎机游戏中，每次玩家拉动手柄都会随机产生一组数字，然后根据这些数字来决定玩家是否获胜，如果获胜则会获得一定数量的奖励。贪婪算法是一种简单但常用的强化学习策略，它的目标是在每次玩老虎机时选择最有可能获得奖励的动作。

具体来说，贪婪算法会维护一个估值函数，用来估计每个动作在当前状态下的期望奖励。在老虎机游戏中，每个动作都对应着拉动手柄的不同位置，因此估值函数就是每个位置的期望奖励。在每次玩老虎机时，贪婪算法会选择当前估值函数中最高的位置来拉动手柄，以期获得最大的奖励。当玩家得到奖励后，贪婪算法会根据奖励更新估值函数，以便更准确地估计每个位置的期望奖励。

需要注意的是，贪婪算法有时会陷入局部最优解，也就是说，在某些情况下，它可能会忽略一些可能带来更高奖励的动作。为了解决这个问题，可以使用一些更高级的强化学习算法 ，这些算法可以在一定程度上平衡探索和利用的关系，从而更好地解决老虎机游戏中的问题。

#!/usr/bin/env python
# coding: utf-8

# In[1]:


import numpy as np

#每个老虎机的中奖概率,0-1之间的均匀分布
probs = np.random.uniform(size=10)

#记录每个老虎机的返回值
rewards = [[1] for _ in range(10)]

probs, rewards


# In[2]:


import random


#贪婪算法
def choose_one():
    #有小概率随机选择一根拉杆
    if random.random() < 0.01:
        return random.randint(0, 9)

    #计算每个老虎机的奖励平均
    rewards_mean = [np.mean(i)