第4章 DQN与Q学习
从TD误差、经验回放与目标网络推导DQN和异策略Q学习更新；用环境合同、更新轨迹和独立评估门交付回放索引、TD目标、损失、梯度与目标同步日志
学习目标
- 能说明“第4章 DQN与Q学习”如何从TD误差、经验回放与目标网络推导DQN和异策略Q学习更新，并区分原版目录、作者代码映射、独立技术来源和本站重写
- 能先预测“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”会改变哪一个环境、轨迹、回报、目标、策略或评估状态，再操作三类交互证据
- 能只注入“目标网络在计算TD目标前已被在线网络覆盖”，定位首个偏离“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”的状态，并从同一快照完成恢复
为什么从这个问题开始
“第4章 DQN与Q学习”围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”建立贯穿任务：从固定回放批次执行一次DQN更新。先写下哪个环境、轨迹、回报、目标、策略或评估状态会最先变化，再运行参考、故障和恢复路径；运行后补理由不算预测。只有守住“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”并交付回放索引、TD目标、损失、梯度与目标同步日志，训练回报、策略价值、搜索统计或应用收益才构成机制证据。
原版书目、272个正式坐标与访问边界
“第4章 DQN与Q学习”以作者官方代码仓库核对王树森、黎彧君、张志华著《深度强化学习》的第1至19章及主要算法—实现映射，以馆藏书目核对人民邮电出版社、2022年11月、294页和ISBN 9787115600691，再以发行数字版完整目录核对5个部分、19章、233个编号节/小节、附录A、附录B与B.1至B.13，合计272个正式目录层级。
作者仓库验证章节和算法实现确实对应，但仓库页面未提供可据以复用代码、图表或书稿的明确许可；发行数字版用于核对目录范围，不作为复制正文的授权。“第4章 DQN与Q学习”不翻译、摘编或改写原书正文，也不复制仓库代码；中文讲解、状态轨迹、反例、交互、练习与答案均为独立教学重写。
本页独立核对 1、本页独立核对 2只用于独立核对本页算法、环境接口或实验边界，不能反向证明原书使用本站表述。Gymnasium、PyTorch、PettingZoo等当前API行为按2026-07-30核对并显式视为当前实现，不倒填为2022年原书内容。
原版目录层级与可验证机制
第二部分 价值学习
↡价值学习对应正式目录坐标“第二部分 价值学习”，在“第4章 DQN与Q学习”中用于把“价值学习”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 1/17。 原版目录键 第二部分 价值学习。在“第4章 DQN与Q学习”的第1个正式坐标中，「第二部分 价值学习」通过把“价值学习”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链推进异策略TD目标与DQN更新；复核者保存第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估，出现只复述“价值学习”名称而没有可观察状态、单一故障和恢复证据就撤回结论。
第4章 DQN与Q学习
↡DQN与Q学习对应正式目录坐标“第4章 DQN与Q学习”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 2/17。 原版目录键 第4章 DQN与Q学习。围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”，“第4章 DQN与Q学习”在坐标2把「第4章 DQN与Q学习」落实为构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色；只有回放索引、下一动作、TD目标、误差、优先级和参数快照可重放且反例排除目标网络泄漏、策略角色错位或多技巧同时变化，本节点才算掌握。
4·1 DQN
↡DQN对应正式目录坐标“4.1 DQN”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 3/17。 原版目录键 4.1 DQN。“第4章 DQN与Q学习”的目录节点3「4·1 DQN」不能停在术语复述：它要构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，交付回放索引、下一动作、TD目标、误差、优先级和参数快照，并把目标网络泄漏、策略角色错位或多技巧同时变化设为单一反事实。
4·1·1 概念回顾
↡概念回顾对应正式目录坐标“4.1.1 概念回顾”，在“第4章 DQN与Q学习”中用于把“概念回顾”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 4/17。 原版目录键 4.1.1 概念回顾。对“第4章 DQN与Q学习”而言，「4·1·1 概念回顾」在第4次检查中改变可观察状态，因为它负责把“概念回顾”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链；第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估必须与“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”对齐，不能接受只复述“概念回顾”名称而没有可观察状态、单一故障和恢复证据。
4·1·2 DQN表达式
↡DQN表达式对应正式目录坐标“4.1.2 DQN表达式”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 5/17。 原版目录键 4.1.2 DQN表达式。在“第4章 DQN与Q学习”的第5个正式坐标中，「4·1·2 DQN表达式」通过构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色推进异策略TD目标与DQN更新；复核者保存回放索引、下一动作、TD目标、误差、优先级和参数快照，出现目标网络泄漏、策略角色错位或多技巧同时变化就撤回结论。
4·1·3 DQN的梯度
↡DQN的梯度对应正式目录坐标“4.1.3 DQN的梯度”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 6/17。 原版目录键 4.1.3 DQN的梯度。围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”，“第4章 DQN与Q学习”在坐标6把「4·1·3 DQN的梯度」落实为构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色；只有回放索引、下一动作、TD目标、误差、优先级和参数快照可重放且反例排除目标网络泄漏、策略角色错位或多技巧同时变化，本节点才算掌握。
4·2 TD算法
↡TD算法对应正式目录坐标“4.2 TD算法”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 7/17。 原版目录键 4.2 TD算法。“第4章 DQN与Q学习”的目录节点7「4·2 TD算法」不能停在术语复述：它要构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，交付回放索引、下一动作、TD目标、误差、优先级和参数快照，并把目标网络泄漏、策略角色错位或多技巧同时变化设为单一反事实。
4·2·1 驾车时间预测示例
↡驾车时间预测示例对应正式目录坐标“4.2.1 驾车时间预测示例”，在“第4章 DQN与Q学习”中用于把“驾车时间预测示例”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 8/17。 原版目录键 4.2.1 驾车时间预测示例。对“第4章 DQN与Q学习”而言，「4·2·1 驾车时间预测示例」在第8次检查中改变可观察状态，因为它负责把“驾车时间预测示例”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链；第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估必须与“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”对齐，不能接受只复述“驾车时间预测示例”名称而没有可观察状态、单一故障和恢复证据。
4·2·2 TD算法的原理
↡TD算法的原理对应正式目录坐标“4.2.2 TD算法的原理”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 9/17。 原版目录键 4.2.2 TD算法的原理。在“第4章 DQN与Q学习”的第9个正式坐标中，「4·2·2 TD算法的原理」通过构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色推进异策略TD目标与DQN更新；复核者保存回放索引、下一动作、TD目标、误差、优先级和参数快照，出现目标网络泄漏、策略角色错位或多技巧同时变化就撤回结论。
4·3 用TD训练DQN
↡用TD训练DQN对应正式目录坐标“4.3 用TD训练DQN”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 10/17。 原版目录键 4.3 用TD训练DQN。围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”，“第4章 DQN与Q学习”在坐标10把「4·3 用TD训练DQN」落实为构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色；只有回放索引、下一动作、TD目标、误差、优先级和参数快照可重放且反例排除目标网络泄漏、策略角色错位或多技巧同时变化，本节点才算掌握。
4·3·1 算法推导
↡算法推导对应正式目录坐标“4.3.1 算法推导”，在“第4章 DQN与Q学习”中用于把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 11/17。 原版目录键 4.3.1 算法推导。“第4章 DQN与Q学习”的目录节点11「4·3·1 算法推导」不能停在术语复述：它要把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，交付第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估，并把只复述“算法推导”名称而没有可观察状态、单一故障和恢复证据设为单一反事实。
4·3·2 训练流程
↡训练流程对应正式目录坐标“4.3.2 训练流程”，在“第4章 DQN与Q学习”中用于把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 12/17。 原版目录键 4.3.2 训练流程。对“第4章 DQN与Q学习”而言，「4·3·2 训练流程」在第12次检查中改变可观察状态，因为它负责把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链；第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估必须与“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”对齐，不能接受只复述“训练流程”名称而没有可观察状态、单一故障和恢复证据。
4·4 Q学习算法
↡Q学习算法对应正式目录坐标“4.4 Q学习算法”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 13/17。 原版目录键 4.4 Q学习算法。在“第4章 DQN与Q学习”的第13个正式坐标中，「4·4 Q学习算法」通过构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色推进异策略TD目标与DQN更新；复核者保存回放索引、下一动作、TD目标、误差、优先级和参数快照，出现目标网络泄漏、策略角色错位或多技巧同时变化就撤回结论。
4·4·1 表格形式的Q学习
↡表格形式的Q学习对应正式目录坐标“4.4.1 表格形式的Q学习”，在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 14/17。 原版目录键 4.4.1 表格形式的Q学习。围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”，“第4章 DQN与Q学习”在坐标14把「4·4·1 表格形式的Q学习」落实为构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色；只有回放索引、下一动作、TD目标、误差、优先级和参数快照可重放且反例排除目标网络泄漏、策略角色错位或多技巧同时变化，本节点才算掌握。
4·4·2 算法推导
↡算法推导对应正式目录坐标“4.4.2 算法推导”，在“第4章 DQN与Q学习”中用于把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 15/17。 原版目录键 4.4.2 算法推导。“第4章 DQN与Q学习”的目录节点15「4·4·2 算法推导」不能停在术语复述：它要把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，交付第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估，并把只复述“算法推导”名称而没有可观察状态、单一故障和恢复证据设为单一反事实。
4·4·3 训练流程
↡训练流程对应正式目录坐标“4.4.3 训练流程”，在“第4章 DQN与Q学习”中用于把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 16/17。 原版目录键 4.4.3 训练流程。对“第4章 DQN与Q学习”而言，「4·4·3 训练流程」在第16次检查中改变可观察状态，因为它负责把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链；第4章 DQN与Q学习的输入角色、中间状态、策略快照、反例与独立评估必须与“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”对齐，不能接受只复述“训练流程”名称而没有可观察状态、单一故障和恢复证据。
4·5 同策略与异策略
↡同策略与异策略对应正式目录坐标“4.5 同策略与异策略”，在“第4章 DQN与Q学习”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 17/17。 原版目录键 4.5 同策略与异策略。在“第4章 DQN与Q学习”的第17个正式坐标中，「4·5 同策略与异策略」通过建立环境、轨迹、终止、策略、回报和价值的时间合同推进异策略TD目标与DQN更新；复核者保存转移记录、策略概率、终止/截断标记、回报与价值残差，出现混淆状态与观测、终止与截断或行为策略与目标策略就撤回结论。
先预测，再操作三个章专属实验
1. 环境与轨迹合同
为“第4章 DQN与Q学习”选择正式目录坐标，在参考合同与单一反事实间切换，逐角色核对输入、状态变化、证据与即时裁决。
环境—轨迹合同
第4章 DQN与Q学习
选择正式目录坐标，冻结环境角色，再定位参考轨迹与单一反事实的首个分岔。
合同 1/4
第4章 DQN与Q学习 · 环境与角色
- 输入角色
- 从固定回放批次执行一次DQN更新
- 状态变化
- 冻结异策略TD目标与DQN更新所需的环境版本、观测/状态、动作、奖励和数据角色
- 应留证据
- 第4章 DQN与Q学习的环境合同、策略快照与基线轨迹
- 即时裁决
- 第4章 DQN与Q学习的角色、时间索引、shape、终止和可见性没有错位
第4章 DQN与Q学习的可重放协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 第4章 DQN与Q学习 · 环境与角色 | 冻结异策略TD目标与DQN更新所需的环境版本、观测/状态、动作、奖励和数据角色 | 第4章 DQN与Q学习的环境合同、策略快照与基线轨迹 | 未满足“第4章 DQN与Q学习的角色、时间索引、shape、终止和可见性没有错位” |
| 第4章 DQN与Q学习 · 回报与目标 | 按从TD误差、经验回放与目标网络推导DQN和异策略Q学习更新构造回报、目标、估计量或搜索统计 | 第4章 DQN与Q学习的逐步回报、目标分量与中间状态 | 未满足“第4章 DQN与Q学习的目标可由同一轨迹、公式和随机状态复算” |
| 第4章 DQN与Q学习 · 更新与策略 | 执行一次受控更新并记录策略、价值、梯度或联合决策的变化 | 第4章 DQN与Q学习的更新前后差、首个分岔和恢复路径 | 未满足“第4章 DQN与Q学习没有把代理损失、单次回报或训练内统计当作最终结论” |
| 第4章 DQN与Q学习 · 独立评估 | 重放基线、单故障、恢复和边界案例 | 第4章 DQN与Q学习的接受、回退或拒绝理由 | 未满足“第4章 DQN与Q学习满足“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”” |
unit: "drl-04"
question: "行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？"
scenario: "从固定回放批次执行一次DQN更新"
invariant: "转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结"
fault: "目标网络在计算TD目标前已被在线网络覆盖"
evidence: "回放索引、TD目标、损失、梯度与目标同步日志"
reset: restore_concept_mode_stage_trace_step_case_gates_and_artifact“第4章 DQN与Q学习”要求从同一环境、轨迹、策略/对手版本、预算和随机状态重放参考、故障与恢复路径。重置后若目录选择、合同模式、阶段、轨迹步骤、案例、证据门或交付包没有回到基线，本次比较已经混入状态泄漏。
本页回顾
掌握“第4章 DQN与Q学习”不是背算法名或抄训练循环，而是围绕“行为策略生成的转移怎样成为Q学习目标，而不泄漏当前目标值？”重建环境、轨迹、回报、目标、更新、策略/对手快照与独立评估，并用“转移五元组、行为策略、目标网络快照、折扣与终止掩码被冻结”拒绝“目标网络在计算TD目标前已被在线网络覆盖”。最终交付为回放索引、TD目标、损失、梯度与目标同步日志。
练习与答案
练习
- 问题 1：实验合同。 “第4章 DQN与Q学习”为什么必须先冻结环境、轨迹、策略/对手版本、预算、随机性和评估口径？
- 问题 2：目录逐项覆盖。 怎样证明“第4章 DQN与Q学习”的正式目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“目标网络在计算TD目标前已被在线网络覆盖”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 价值学习
检索键 drl-A 对应正式目录坐标「第二部分 价值学习」；在“第4章 DQN与Q学习”中用于把“价值学习”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- DQN与Q学习
检索键 drl-B 对应正式目录坐标「第4章 DQN与Q学习」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- DQN
检索键 drl-C 对应正式目录坐标「4·1 DQN」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 概念回顾
检索键 drl-D 对应正式目录坐标「4·1·1 概念回顾」；在“第4章 DQN与Q学习”中用于把“概念回顾”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- DQN表达式
检索键 drl-E 对应正式目录坐标「4·1·2 DQN表达式」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- DQN的梯度
检索键 drl-F 对应正式目录坐标「4·1·3 DQN的梯度」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- TD算法
检索键 drl-G 对应正式目录坐标「4·2 TD算法」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 驾车时间预测示例
检索键 drl-H 对应正式目录坐标「4·2·1 驾车时间预测示例」；在“第4章 DQN与Q学习”中用于把“驾车时间预测示例”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- TD算法的原理
检索键 drl-I 对应正式目录坐标「4·2·2 TD算法的原理」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 用TD训练DQN
检索键 drl-J 对应正式目录坐标「4·3 用TD训练DQN」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 算法推导
检索键 drl-K 对应正式目录坐标「4·3·1 算法推导」；在“第4章 DQN与Q学习”中用于把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 训练流程
检索键 drl-L 对应正式目录坐标「4·3·2 训练流程」；在“第4章 DQN与Q学习”中用于把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- Q学习算法
检索键 drl-M 对应正式目录坐标「4·4 Q学习算法」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 表格形式的Q学习
检索键 drl-N 对应正式目录坐标「4·4·1 表格形式的Q学习」；在“第4章 DQN与Q学习”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 算法推导
检索键 drl-O 对应正式目录坐标「4·4·2 算法推导」；在“第4章 DQN与Q学习”中用于把“算法推导”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 训练流程
检索键 drl-P 对应正式目录坐标「4·4·3 训练流程」；在“第4章 DQN与Q学习”中用于把“训练流程”放进异策略TD目标与DQN更新的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 同策略与异策略
检索键 drl-Q 对应正式目录坐标「4·5 同策略与异策略」；在“第4章 DQN与Q学习”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。