In order to explore the environment

In order to explore the environment, the scheduler implements an exploration mechanism known as ɛ-greedy action selection: Every DRAM cycle, with a small probability ɛ, the scheduler picks a random (legal) action; at all other times, it picks the (legal) action with the highest Q-value. This guarantees that there is a non-zero probability of visiting every entry in the Q-value matrix.

ผลลัพธ์ (ไทย) 1:

เพื่อสำรวจสภาพแวดล้อมในการกำหนดการดำเนินการสำรวจกลไกที่รู้จักกันเป็นɛโลภการเลือกการกระทำ: ทุกรอบ DRAM ด้วยɛน่าจะเป็นขนาดเล็กกำหนดการเลือกการกระทำ (กฎหมาย) สุ่มในเวลาอื่น ๆ ทั้งหมดก็หยิบ ( การกระทำ) กับกฎหมายสูงสุด Q-value นี้รับประกันได้ว่ามีความน่าจะเป็นที่ไม่ใช่ศูนย์ของการเยี่ยมชมทุกรายการใน Q-ค่าเมทริกซ์

ผลลัพธ์ (ไทย) 2:

ออกแบบสิ่งแวดล้อม ตัวจัดกำหนดการใช้กลไกสำรวจที่เรียกว่าเลือกกระทำɛตะกละ: รับรอบทุก DRAM กับɛเป็นความน่าเป็นขนาดเล็ก ตัวจัดกำหนดการของการกระทำ (ทางกฎหมาย) สุ่ม ที่บางครั้ง ได้รับการดำเนินการ (ทางกฎหมาย) กับค่า Q ที่สูงสุด รับประกันว่า มีความน่าเป็นไม่ใช่ศูนย์เยี่ยมทุกรายการในเมตริกซ์ค่า Q

ผลลัพธ์ (ไทย) 3:

ในการสั่งซื้อเพื่อการสำรวจ สภาพแวดล้อม ที่ตัวจัดตารางเวลาจะใช้กลไกการสำรวจซึ่งเป็นที่รู้จักกันในชื่อทางเลือกɛ - ความ โลภ การดำเนินการทุกรอบ DRAM ขนาดเล็กพร้อมด้วยความเป็นไปได้ที่ɛตัวจัดตารางเวลาได้รับการดำเนินการแบบสุ่ม(กฎหมาย)ที่เวลาอื่นๆทั้งหมดได้รับ(กฎหมาย)การดำเนินการที่มี Q - ค่า. โรงแรมแห่งนี้รับประกันได้ว่ามีโอกาสไม่ใช่ - ไม่มีที่เที่ยวชมรายการทุกครั้งในรายการ Q - ค่า