尧图网站建设 
RL-赵-(七)-不基于模型5：Q-Learning【TD算法】【离线】【基于RM算法在无模型条件下求解贝尔曼最优公式-＞直接计算出最优ActionValue-＞直接更新目标π】【无需PE与PI迭代】二、Off-policy、On-policy在深入研究Q-learning之前，我们首先介绍两个重要的概念，首先，在TD learning task中存在两个策略：第一个是behav RL-07-赵-不基于模型2-计算Q/ActionValue-TD算法04：Q-Learning02【On-policy：行为策略=目标策略】【Off-policy：行为策略≠目标策略】
RL-赵-(七)-不基于模型5：Q-Learning【TD算法】【离线】【基于RM算法在无模型条件下求解贝尔曼最优公式-＞直接计算出最优ActionValue-＞直接更新目标π】【无需PE与PI迭代】二、Off-policy、On-policy在深入研究Q-learning之前，我们首先介绍两个重要的概念，首先，在TD learning task中存在两个策略：第一个是behav