在强化学习中，蒙特卡洛方法用什么原理来更新状态值函数 V(s)？
对于每个经验元组 ，使用r和当前估计的 V(s') 来更新 V(s)。
经历整个阶段，然后使用该阶段剩余部分的返回来更新遇到的每个状态的 V(s) 。
使用转换和奖励概率的知识迭代更新 V(s) 。
首先了解转换和奖励概率，然后使用它们来计算 V(s) 。
在训练 Deep Q Network (DQN) 时，如何消除连续经验元组之间相关性的不利影响？
跳过每个备用经验元组，即不将其用于训练。
将经验元组存储在缓冲区中，然后以相反的顺序经历它们。
将经验元组存储在缓冲区中，然后为每次训练迭代随机抽样一批次。
连续的经验元组之间的关联不会影响 DQN。
深度强化学习的策略梯度法比值函数逼近法更好，是因为：
策略梯度法总是能找到全局最优解决方案。
它们可以直接用于连续行动空间。
策略目标函数比状态或动作值函数更容易计算。
它们需要较少的训练示例。