一种无模型强化学习算法，通过维护Q表存储状态-动作对价值并基于贝尔曼方程迭代更新来学习最优策略
在标准Q Learning中，目标值依赖于当前Q函数，导致目标值随参数更新而不断变化，形成“移动目标”问题。