实现更高的样本效率与更优的最终性能，一直是深度强化学习（Deep Reinforcement Learning, DRL）领域面临的核心挑战之一。以往的研究往往只能解决其中一项挑战，却难以同时兼顾二者。本文旨在协同应对这两大挑战。为此，我们首先将这两个目标解耦为两个经典的强化学习问题：数据丰富性问题与探索-利用权衡问题。随后，我们将这两个问题统一建模为训练数据分布优化问题，即在有限交互次数内获取理想的训练数据，并通过以下两种机制实现协同解决：i）显式建模与调控行为策略的容量与多样性；ii）基于单调数据分布优化，实现对行为策略选择性/采样分布的更细粒度、自适应调控。最终，我们将该过程整合进广义策略迭代（Generalized Policy Iteration, GPI）框架，提出一种更具通用性的新框架——广义数据分布迭代（Generalized Data Distribution Iteration, GDI）。基于GDI框架，我们进一步推出了从DQN到Agent57等经典强化学习方法的算子化版本。理论上，我们证明了GDI相较于传统GPI框架在性能上的优越性。在雅达利学习环境（Arcade Learning Environment, ALE）上的实验结果表明，所提算法在仅使用2亿次训练帧的情况下，取得了9620.33%的平均人类归一化得分（Mean Human Normalized Score, HNS）、1146.39%的中位数HNS，并超越了22项人类世界纪录，性能达到当前最先进水平（State-of-the-Art, SOTA）。值得注意的是，我们的方法在性能上可与Agent57相媲美，但训练数据消耗仅为后者的1/500。尽管如此，我们仍认为，在ALE环境中实现真正超越人类水平的智能体，仍需经历长期的探索与突破。