在哪种现实生活中，我们可以使用多臂强盗算法？

多臂强盗在您有选择的情况下工作得很好，并且您不确定哪个会最大化您的健康。您可以在某些现实生活中使用该算法。例如，学习可以是一个很好的领域：

如果一个孩子在学习木工，但对它不擅长，该算法将告诉他/她可能需要继续前进。如果他/她擅长，算法将告诉他/她继续学习该领域。

约会也是一个很好的领域：

你是一个男人，在追求女士方面投入了很多“精力”。但是，您的努力绝对是不受欢迎的。该算法应“轻微”（或强烈）推动您继续前进。

我们可以在多现实情况下使用多臂强盗算法吗？

_{PS：如果问题过于广泛，请发表评论。如果达成共识，我将删除我的问题。}

当您玩原始的神奇宝贝游戏（红色或蓝色和黄色）并到达青瓷城时，Team火箭老虎机的赔率不同。如果您想优化快速获得Porygon的功能，可以使用Multi-Arm Bandit。

认真地说，人们谈论在机器学习中选择调整变量的问题。特别是如果您有很多变量，那么就会探讨探索与开发。就像本主题中的Spearmint甚至是新论文一样，它使用超级简单的算法来选择调整参数（并且其性能优于其他调整变量技术）

它们可用于生物医学治疗/研究设计环境。例如，我相信q学习算法用于顺序，多重分配，随机试验（SMART试验）中。松散地认为，治疗方案可以最佳地适应患者的进步。很显然，这对于单个患者可能是最好的，但在随机临床试验中也可能更有效。

它们用于在线广告的A / B测试，在该测试中，不同的广告将显示给不同的用户，并根据结果决定将来要显示的广告。谷歌研究员史蒂文·斯科特（Steven L. Scott）在一篇不错的论文中对此进行了描述。

我在Quora上问了同样的问题

这是答案

• 为组织的不同部门分配资金

• 从有限时间和任意选择阈值的学生中选出表现最好的运动员

• 在同时测试新功能的同时最大化网站收益（代替A / B测试）当您没有足够的数据来创建严格的统计模型时，可以在需要优化结果的任何时间使用它们。