貪婪策略（greedy policy）

貪婪策略把當前的最佳猜測照單全收：在每個狀態，它挑出此刻價值估計說最好的那個動作，完全不考慮去探索其他選項。如果你的 Q 值宣稱在這個狀態動作 a 的報酬最高，貪婪策略就出 a，每一次都是。這是「立刻兌現」的規則：利用你自以為知道的東西。

它的定義是：在每個狀態挑選那個讓 Q 取到最大的動作。一旦你的價值估計準確，貪婪行為正是你想要的；而對最佳的 Q 貪婪行動，會得到一個最佳策略。危險出現在更早的階段，也就是學習途中：對仍然搖晃不定的估計貪婪，可能把智能體鎖進一個平庸的習慣，永遠不去取樣那個其實最好的動作。這就是為什麼方法常把它軟化成 epsilon-貪婪：大多數時候出貪婪動作，偶爾出一個隨機動作。