我正在使用基于 rglue 的python-rl框架进行 q-learning。我的理解是，随着剧集的数量，算法收敛到最优策略（这是一个映射，说明在什么状态下采取什么行动）。
问题 1：这是否意味着在经过若干集（比如 1000 集或更多集）之后，我应该基本上得到相同的状态：动作映射？
当我绘制奖励（或平均超过 100 集的奖励）时，我会在此链接中得到类似于图 6.13 的图表。
问题2：如果算法已经收敛到某个策略，为什么奖励会下降？奖励是否有可能发生巨大变化？
问题 3：我可以使用一些标准方法来比较各种 RL 算法的结果吗？