文档摘要

3.4 SARSA 与 Q-Learning：同策略与异策略 本节摘要：把 TD 预测升级为控制（边学边选动作），更新目标有二选一：SARSA 用"接下来真的会执行的动作"的 Q 值，Q-Learning 用"下一状态里最优动作"的 Q 值。前者叫同策略（on-policy），学的就是做的；后者叫异策略（off-policy），学的是贪心理想、做的却带着探索。 会员。《3.4 SARSA 与 Q-Learning：同策略与异策略》收录于灏天文库文集《强化学习与智能体训练：从 Q-Learning 到深度强化学习》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/540-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%99%BA%E8%83%BD%E4%BD%93%E8%AE%AD%E7%BB%83%E4%BB%8E-q-learning-%E5%88%B0%E6%B7%B1%E5%BA%A6%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流