参考链接：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/3-1-A-sarsa/
Sarsa 和Q-learning的过程基本上差不多，这里主要说一下他们的不一样。
Sarsa 属于说到做到，Q-learning说到不一定做到。
解释：
Q-learning在更新Q表的时候，采用的是max Q(s')，但是不会根据max Q(s')采取下一步动作，而是90%取决于Q表中每一步的最大值所代表的action，同时10%取决于Q表中随机状态，更新完Q表之后，就算我之前用了最大值的action，即max Q(s')，但是我还是不一定采用其作为下一步的action，而是根据Q-learning决策算法，决定下一刻的action。决策派，off-policy（离线学习）
Sarsa 在更新Q表的时候，已经根据他的决策过程确定了s'和a'。并根据下一步的Q(s',a')来更新Q(s,a)，同时s <- s'，a <- a'。就是我说到做到我用了哪个action（a'），我就把他作为我下一步的action。实践派，on-policy（在线学习）
通俗解释就是：
567
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
