ε-贪婪策略

thehumanbox 的动作选择会优先处理生存需求，然后基于已学到的值执行 ε-贪婪策略。

ε-贪婪策略中，智能体以概率 ε 随机选择动作，以概率 1-ε 选择当前估计Q值最高的动作。

在文明沙盒中，纯 ε-贪婪在动作空间约5000时随机探索效率极低，手写优先级能大幅加速早期学习。

解决探索与利用权衡的常见方法包括ε-贪婪策略、乐观初始化和UCB。