待验证60% 置信解决方案精确时间
ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.1
2
来源数
60%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证在异构异步MMAB中，若按玩家激活概率递减的顺序处理玩家，贪心算法的近似比可提升至1/√e。72% 相似待验证缺少域随机化的策略通常只在训练所用的单一仿真器中表现良好，面对真机物理不确定性便会迅速失效72% 相似待验证论文主结论是采用零初始化和常数步长的Q-Learning能在高概率意义下使用 Õ(H^4/(μ_min·ε^2)+h_star) 次状态转移将sup-norm误差控制在ε以内（对0<ε≤1成立）70% 相似待验证在固定learning_rate下，batch_size随环境数线性放大、num_epoch保持不变时，策略在单次迭代中被推向新分布的总位移可能增大，表现为训练早期奖励剧烈震荡甚至坍塌。69% 相似待验证采用域随机化（在训练早期就让ping在整个范围内随机采样）而非单向退火，可以让每个版本模型从一开始就见过各种延迟条件，避免后期崩溃风险69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/693804API
curl https://kongchang.com/api/v1/knowledge/claims/693804MCP
get_claim(id=693804)