题目

考虑一个与Q学习类似的学习算法，其更新规则为____

$Q(S_t, a_t) ← Q(S_t, a_t) + α[R_{t+1} + γE \lbrace Q(S_{t+1}, a_{t+1})|st \rbrace − Q(S_t, at)] = Q(S_t, a_t) + α[R_{t+1} + γ\displaystyle\sum_{a}π(S_t, a)Q(s_{t+1}, a) − Q(S_t, at)]$

即用期望值

$E \lbrace Q(S_{t+1}, a_{t+1}|s_t \rbrace$

取代下一<状态-动作>对上的最大值。这个期望值考虑了当前策略下每个动作的可能性，以$π(s_t, a)$表示。请问：
（1）给定相同数目的经验，此方法比SARSA效果好还是差？为什么？
（2）哪些因素可能会影响此方法与SARSA的比较？为什么？