Sarsa 作为一种 on-policy 与 Q-learning 相同之处在于也采用类似Q表形式,不同之处在于 Q-learning是对action值估计,但是不一定会选择该动作。 而Sarsa 的工作方式为
在当前state 决定好对应的 action ;并且下一个state 的action 也做好决定
Sarsa更新方式
Q(s1,a2)现实 = R+ r*Q(s2,a2) r为衰减值
Q(s1,a2)估计 = Q(s1,a2)
新的Q(s1,a2) = 老Q(s1,a2) + alpha[R+ rQ(s2,a2)-Q(s1,a2)]