实验任务一：Multi-Armed-Bandit (多臂老虎机)

在这个任务中，你将：

1. 理解多臂老虎机问题中的动作、奖励和累积懊悔。
2. 实现 Bernoulli 多臂老虎机环境。
3. 补全 epsilon-贪婪算法的关键代码。
4. 观察不同 epsilon 对累积懊悔曲线的影响。

主要内容包括：

• BernoulliBandit 环境构造
• 累积懊悔计算
• 增量式奖励估计
• epsilon-贪婪算法
• 不同 epsilon 的实验对比

思考题 1. 多臂老虎机问题中的“探索”和“利用”分别指什么？ 2. 累积懊悔表示什么？为什么它可以用来评价算法好坏？ 3. epsilon 较大和较小时，实验曲线有什么差异？请结合结果解释。