强化学习的过程，分为模型训练和应用两部分。
在应用阶段，模型的按照action的效果最大化进行输出结果。因此最优的action有最高的概率。
训练阶段的目标是为了寻找全局最优解，其要求模型充分探索解空间。因此要避免模型陷入反复输出最优action。因此，要求模型的目标策略（target policy）和探索策略(behavior policy)存在差异。
on-policy
模型的目标策略（target policy）和探索策略（behavior policy）一致，其意味着当前最优的action，输出概率最高，容易导致模型反复尝试已有空间。
off-policy
模型的目标策略（target policy）和探索策略(behavior policy)存在差异，探索效率可能会提升。
典型算法例如Q-Learning（epsilon greedy strategy进行explore，逐渐进行收敛）
