台灣運彩官網遊戲中代理從其兩項策略 β 和 π 的混合中選擇自己的行為。百家樂玩法影片雖然虛擬玩家通常對於對手的平均策略採取最優回應，在連續時間動態虛擬遊戲（Shamma & Arslan，2005）中，玩家基於對手的平均正則策略的短期預測，來選擇最優回應。作者顯示了這項基於遊戲的恰當選擇，針對均衡點上虛擬玩家的 η 穩定性。NFSP 使用作為這項預期動態中使用的導數的離散時間近似。注意，是常見離散時間虛擬遊戲的正則化更新方向。為了讓一個 NFSP 代理計算出近似最優回應 βi，百家樂玩法影片對於其對手的預期平均策略描述代理迭代性地評估和最大化其行為值。實現的方法可以是基於和對手的預期策略 δ-i 遊戲的經驗，進行偏離策略的強化學習，即，Q-學習或者 DQN。為確保代理的強化學習記憶 MRL 包含這種經驗，NFSP 要求所有代理從中選擇他們的行為，其中 η ∈ R 被稱為“預期參數”。虛擬遊戲通常追蹤玩家在遊戲中已選的正則形式最優回應策略的平均值。台灣運彩官網Heinrich 等人（2015）提出使用取樣和機器學習來生成數據，百家樂玩法影片學習正則形式策略拓展形式的凸組合。例如，我們可以生成一組數據的擴展形式，方法是從整個遊戲時間中取樣，在凸組合中使用與其權重 1/T 成比例。NFSP 使用蓄水池取樣（Vitter，1985；Osborne 等人，2014）來記憶自己平均最優回應的經驗。代理的監督學習記憶 MSL 是一個蓄水池，只有當它遵循近似最優回應策略 β 的時候才增加經驗。