epsilon-greedy 策略是一种在强化学习中使用的决策策略，用于平衡探索和利用。其核心思想是在大多数时间选择已知的最佳动作（利用），同时偶尔选择一个随机动作（探索）以发现潜在的更好选项。参数 epsilon (ε)，通常介于 0 和 1 之间，控制着这种平衡。例如，如果 ε 为 0.1，则有 10% 的几率智能体将随机探索，而有 90% 的几率智能体将采取当前认为能够产生最高回报的动作。这种方法确保智能体不会因为过度依赖早期知识而陷入次优行为。
在实践中，epsilon-greedy 策略通过在每个决策步骤中生成一个随机数来工作。如果该数字小于 ε，则智能体选择一个随机动作；否则，它会根据其当前知识遵循最佳动作。例如，想象一个机器人在迷宫中导航：最初，它可能会探索不同的路径（高 ε），但逐渐转向使用已知的最短路径（低 ε）。一个常见的实现包括从较高的 ε 值开始，以鼓励在训练早期进行探索，然后随着智能体学习，随着时间的推移降低 ε（例如，通过衰减计划）以优先考虑利用。这种平衡至关重要，因为纯粹的利用可能会错过更好的策略，而纯粹的探索会将时间浪费在已知的糟糕选择上。
开发人员使用 epsilon-greedy 策略是因为它们易于实现并且在许多场景中有效。例如，在推荐系统中，ε 可以决定何时向用户展示新内容（探索）与已被证明的流行项目（利用）。然而，ε 的选择对性能有重大影响：太高，智能体学习缓慢；太低，它可能会错过最佳解决方案。高级变体，例如衰减 ε 或将其与其他探索策略（例如，上限置信区间）相结合，可以解决这些权衡。尽管存在局限性（例如在大动作空间中效率低下），但 epsilon-greedy 方法由于其清晰性和适应性，仍然是强化学习中的一种基本方法。