Bandit（多臂老虎机）

多臂老虎机问题模拟了一个赌徒面对多台老虎机，每台机器的奖励分布未知，目标是通过尝试不同机器来最大化长期收益。核心挑战是平衡探索（尝试新机器以获取信息）和利用（选择当前最优机器）。经典算法包括ε-贪婪、UCB（置信上界）和Thompson Sampling（贝叶斯方法）。Bandit问题在推荐系统、A/B测试、动态定价和资源分配中有广泛应用。近年来，上下文老虎机（Contextual Bandit）将状态信息引入，更贴近实际场景，成为强化学习与在线学习的重要桥梁。