Sarsa 对比 Q-Learning 算法
Sarsa 的决策部分和 Q-Learning 一模一样, 因为我们使用的是 Q 表的形式决策, 所以我们会在 Q 表中挑选值较大的动作值施加在环境中来换取奖惩。但是不同的地方在于 Sarsa 的更新方式是不一样的。
从上图中可以看到,Sarsa的Q值更新,直接选取最大潜在奖励的动作,直接执行;而Q-learning 在这一步只是估计了一下接下来的动作值,但是在真正要做决定时, 却不一定会选取到那个带来最大奖励的动作。
从算法上来看,Sarsa属于On-policy;Q-Learning属于Off-policy。
因为maxQ的存在,Q-Learing会选择最优解,学习过程较慢,且容易选择极端方法;而Sarsa属于单步更新,学习较快,学习过程相对保守。