之前见过几篇论文（好像是deepmind还是openAI？记不清了），最后有些算法的reward曲线画了一小段就不画了（可能到了20k episode，这部分曲线明显比其他算法优秀），其他算法画了很长（可能50k episode）。请问这是基于什么方法画的呢？画到最大值？还是画到达到某收敛特性的一个点，然后后面没必要再画了？
这就牵扯到另一个问题，比不同RL算法的performance的时候，如果说一个算法更优，是最大reward更大比较适用（代表找到过比别人更优的策略）还是平均值/收敛表现更适用？请问有相关的文献吗？谢谢大佬！！
