เปรียบเทียบวิธี

	ระเบียบวิธีเกรเดียนต์นโยบาย	Q-Learning
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	1992
ผู้ริเริ่ม	Ronald Williams (REINFORCE); Sutton et al. (policy gradient theorem)	Christopher Watkins & Peter Dayan
ประเภท	Policy-based reinforcement learning	Model-free reinforcement-learning control algorithm
แหล่งต้นตำรับ	Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256.	Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292.
ชื่อเรียกอื่น	REINFORCE, actor-critic, policy optimization, politika gradyanı	Q-learning algorithm, tabular Q-learning, off-policy TD control, Q-öğrenme
ที่เกี่ยวข้อง	4	3
สรุป	Policy gradient methods are reinforcement-learning algorithms that optimize a parameterized policy directly by gradient ascent on the expected return, rather than learning action-values and acting greedily. Founded on Ronald Williams' 1992 REINFORCE algorithm and the policy gradient theorem of Sutton and colleagues (2000), they naturally handle stochastic and continuous action spaces and underpin modern actor-critic and deep-RL algorithms.	Q-learning, introduced by Christopher Watkins and Peter Dayan in 1992, is a model-free reinforcement-learning algorithm that learns the value of taking each action in each state — the Q-function — purely from experience, without a model of the environment. It is off-policy: it learns the optimal action-values while following an exploratory behaviour policy, and under standard conditions it provably converges to the optimal policy.