探索与利用
增强学习任务的最终奖赏是在多步动作之后才能观察到，于是我们先考虑最简单的情形：最大化单步奖赏，即仅考虑一步操作。不过，就算这样，强化学习仍与监督学习有显著不同，因为机器要通过尝试来发现各个动作产生的结果，而没有训练数据告诉机器应当做什么动作。简而言之：缺少标记；
想最大化单步奖赏要考虑两个方面：一是需要知道每个动作带来的奖赏，而是要执行奖赏最大的动作。
实际上，单步强化学习任务对应了一个理论模型，即“K-摇臂赌博机”。什么是摇臂赌博机，就是，如图所示，赌徒投入一个硬币后，选择一个摇杆，每个摇杆有一定的概率吐出硬币，这个概率赌徒并不知道。赌徒的目标就是通过找到一个策略来使自己在等量成本下，收益最大。
那么，假设赌徒有100个硬币做成本，那他可以有两个选择，一是“仅探索”，就是说，把100个硬币均匀的投入到5个摇臂中，来探索每个摇臂吐出硬币的累计金额，从而得出哪个摇杆最优；一个是“仅利用”，就是说，把100个硬币投入到目前平均奖赏最优的那个摇杆中（多个最优则随机选一个）。显然，这两种都有缺陷，想获得最优的平均奖赏，就是要找到二者的平衡。
于是引入两种算法，贪心法和Softmax算法。