摘要： 学习日志-2021.09.25 今日进展（笔记） Q-learning（基于值的算法） 使用了时间差分法（融合了蒙特卡洛和动态规划）能够进行off-policy的学习 算法描述: 初始化 Q = {} while Q 未收敛: 初始化状态S，开始新一轮的游戏 while S!=结束: 使用策略$π$ 阅读全文