我们对经典强化学习和量子强化学习 (QRL) 范式进行了比较评估，考察了它们的收敛行为、对观测噪声的鲁棒性以及在基准控制环境中的计算效率。我们使用多层感知器 (MLP) 代理作为经典基线，以参数化变分量子电路 (VQC) 作为其量子对应物，在 CartPole-v1 环境中对算法进行了 500 次训练。经典 MLP 实现了接近最优的策略收敛，平均回报率为 498.7 ± 3.2，并在整个训练过程中保持了稳定的平衡。相比之下，VQC 的平均回报率为 14.6 ± 4.8，学习能力有限，主要受电路深度和量子比特连通性限制。噪声鲁棒性分析表明，在高斯扰动下，MLP 策略逐渐恶化，而 VQC 对相同噪声水平表现出更高的敏感性。尽管渐近性能较低，但 VQC 显示出对低资源量子处理器的可扩展性，其参数数量明显较少，训练时间略有增加。
