首先说下观点：
你估计policy或者value-function的时候，需要用到一些样本，这些样本也是需要采用某种策略（可能固定、可能完全随机、也可能隔一段时间调整一次）生成的。那么，判断on-policy和off-policy的关键在于，你所估计的policy或者value-function 和 你生成样本时所采用的policy 是不是一样。如果一样，那就是on-policy的，否则是off-policy的。你估计policy或者value-function的时候，需要用到一些
阅读背景：
增强学习中的on-policy和off-policy的区别_人工智能_on policy和off policy的区别
来源：互联网
分享到：
