待验证50% 置信事实精确时间
Q-learning 的更新目标是即时奖励加上下一状态最大 Q 值的折扣，因此无论智能体实际采用什么行为策略，它都在逼近最优动作价值函数。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证Q-learning是离策略（off-policy）学习，使用贪心策略更新Q值但探索时可采用ε-贪心等不同策略79% 相似待验证DQN的理论基础是Q-learning，一种无模型强化学习算法，核心是学习Q函数Q(s,a)表示状态s下执行动作a的期望累积折扣奖励76% 相似待验证Q-Learning是离策略（off-policy）方法，更新Q值时假设未来采取最优动作；SARSA是在策略（on-policy）方法，基于实际执行的动作更新Q值73% 相似待验证Q-FLAIR 是一种自适应方案，让量子特征映射电路逐门生长，每一步检查训练损失是否改善，一旦增长不再带来收益就停止。71% 相似待验证Q-learning、DQN 等算法本质上都是在近似求解贝尔曼最优方程70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1028363API
curl https://kongchang.com/api/v1/knowledge/claims/1028363MCP
get_claim(id=1028363)