老虎機2、揹景在這個部分，我們展現一個對於強化學習方法、百家樂算牌公式擴展式博弈論表述虛擬自我對戰的簡短概況。如需更加細節的闡述，我們推薦讀者閱讀 (Sutton & Barto, 1998), (Myerson, 1991), (Fudenberg, 1998) and (Heinrich 等人, 2015)。2.1. 強化學習（RL）強化學習（Sutton & Barto，1998）代理通常從與環境的互動中，學會將預期的未來獎勵最大化。百家樂算牌公式環境通常是作為“馬爾可伕決策過程”（MDP）進行建模。代理基於策略行動，策略具體說明在MDP的每一個狀態中，可行行動的分佈。代理的目標是改善自己的策略，從而最大化其收獲，是從 t 時間開始，代理累計未來回報的一個隨機變量：老虎機許多強化學習算法從過渡元組形式的連續“經驗”中學習，(st,at,rt+1,st+1 )，其中 st是 t 時間的狀態，at 是這個狀態中選擇的行動，rt+1是其後獲得的獎勵，st+1是代理過渡進入的下一個狀態。一個普遍的目標是“學習行動價值函數”，，定義為在 s 狀態、遵循 π 策略、採取 a 行為後預計獲得的獎勵。如果代理學會自己正在遵循的策略，百家樂算牌公式那麼代理的學習是“符合策略”的。在“偏離策略”的情況下，代理從其他代理的經驗中學習，或者學會一個其他的策略，例如一個以前的策略。Q-學習（Watkins & Dayan，1992）是一種流行的偏離策略強化學習方法。它學會貪婪策略，這在每一個狀態下採取最高預估值的行動。通過將偏離政策強化學習應用到各自的過度元組，從而將過往的經驗儲存和回放，這被稱為經驗回放（Lin，1992）。