先试几轮攒估计，大多利用、偶尔探索，估计滚动更新
多臂赌博机模拟器：四台老虎机各有隐藏的真实收益。调节探索率，点击拉杆，观察估计值、累计收益与遗憾的变化。
控制
读数
ε 太大永远在试新，ε 为零可能一辈子蹲在小山包上。奖励函数是方向盘——只奖中间分，就只刷套路题。