问题描述
我一直在阅读有关如何在强化学习的 N 臂老虎机问题中选择动作的文章。选择动作的一种方法是随机选择（这很简单）。另一种方法是利用贪婪/高即时奖励，但也探索获得更多累积奖励。这也很简单。
我正在阅读的讲义介绍了“softmax 函数”。我从维基百科上读到等式的形式是什么，我不明白这是为了什么，或者它的优点或用途可能是什么。有人愿意直观地解释一下 softmax 函数可以为动作选择提供什么吗？
感谢您的见解
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）