待验证60% 置信事实精确时间
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
2
来源数
60%
置信度
长期有效
时效性
2026/7/19
首次发现
来源
相关事实
待验证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。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78% 相似已验证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77% 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% 相似待验证贝尔曼方程将长期累积奖励的优化问题分解为可递归求解的子问题，奠定了Q-learning、策略梯度等经典算法的理论根基69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/563101API
curl https://kongchang.com/api/v1/knowledge/claims/563101MCP
get_claim(id=563101)