《表4 图9实验结果的标准差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于三元多臂赌博机的树结构最优动作识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

第一组实验验证TTBA算法在树结构相同、上层下层确认难度组合不同的极大极小采样树中的性能。本文设置了五个3×3的两层极大极小采样树结构，它们的上下层确认难度组合分别设定为:A表示上难下难，B表示上难下易，C表示上易下难，D表示上易下易。最后，还构造了一个基于臂空间一的随机生成臂分布的E结构。在A、B结构中，TTBA算法、TBB＿tree算法随着轮数的增加准确率逐渐上升，TTBA算法的准确率基本在TBBA＿tree算法准确率区间的中值之上；并且，由于TBBA＿tree算法在不同上下层轮数分配下得到不同的准确率，这造成实验结果有较大的标准差甚至还存在多个离群点。在C、D结构中，TTBA算法与TBBA＿tree算法、U算法的性能都基本达到了100%准确率。在E结构中，由于树结构为3×3，每个节点下的动作集很小，因此上下层的三元多臂赌博机比较容易分辨。如图9所示，TTBA算法有最高的准确率且不会出现波动区间和异常值，其标准差为0。U算法和TTBA＿tree算法在不同采样次数下的标准差如表4所示，可以发现U算法相比TBBA＿tree算法具有较大的标准差，即准确度波动更大。实验结果表明:在不同确认难度组合的树结构中，TTBA算法具有最优异的准确度性能，并且不会出现因上下层轮数划分而产生的异常值和波动区间。