深度強化學習 on-policy 和 off-policy

如下圖，考查兩個Policy的一致性： 生成訓練數據基於的Behavior Policy 目標值即target value基於的Target Policy on-policy：兩者一致 off-policy：兩者不同 比如DQN：        Target Policy π 是基於target network(參數爲)的greedy policy，即給定s，選擇使target value最大的a

>>阅读原文<<