Unverified50% confidenceFactExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
7/19/2026
First Seen
Sources
Related Claims
UnverifiedDQN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% similarUnverifiedQ-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% similarUnverified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% similarUnverified反向KL散度D(q||p)倾向于让q集中在p的单个峰值上（mode-seeking），常用于生成模型训练67% similarUnverifiedQ-learning、DQN 等算法本质上都是在近似求解贝尔曼最优方程66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/563101API
curl https://kongchang.com/api/v1/knowledge/claims/563101MCP
get_claim(id=563101)