বহু সশস্ত্র দস্যু

নামটি এসেছে একজন জুয়াড়ির কাছ থেকে যার মুখোমুখি বেশ কয়েকটি স্লট মেশিন (এক-সশস্ত্র দস্যু), প্রতিটিরই একটি অজানা জয়ের হার রয়েছে, যারা অনেক টান দিয়ে সর্বোচ্চ পুরষ্কার পেতে চায়। কেন্দ্রীয় উত্তেজনা হ'ল এক্সপ্লোর-এক্সপ্লয়েট ট্রেডঅফ: সবচেয়ে ভালো দেখায় এমন বাহু টানতে থাকুন বা আরও জানতে অনিশ্চিত অস্ত্রের নমুনা নিন। পারফরম্যান্স পরিমাপ করা হয় অনুশোচনা দ্বারা, আপনার পুরস্কারের মধ্যে ক্রমবর্ধমান ব্যবধান এবং সর্বদা সত্যিকারের সেরা হাত বাছাই করা; ভাল অ্যালগরিদম অনুশোচনা অর্জন করে যা শুধুমাত্র লগারিদমিকভাবে রাউন্ডের সংখ্যায় বৃদ্ধি পায়। ক্লাসিক কৌশলগুলির মধ্যে রয়েছে এপসিলন-লোভী (শোষণ করুন, তবে ছোট সম্ভাবনার সাথে এলোমেলোভাবে অন্বেষণ করুন), আপার কনফিডেন্স বাউন্ড (সর্বোচ্চ আশাবাদী অনুমান সহ বাহু বাছাই করুন), এবং থম্পসন স্যাম্পলিং (প্রতিটি বাহুর পিছনের বিশ্বাস থেকে নমুনা এবং বিজয়ী খেলুন)। প্রাসঙ্গিক দস্যুরা পরিস্থিতির বৈশিষ্ট্যগুলি বেছে নেওয়ার মাধ্যমে এটিকে প্রসারিত করে।