Off-policy Q learning算法和On-policy Sarsa learning都是时序差分(TD)下对动作价值函数优化的单步方法,在没有神经网络之前,都是通过table的方法,下面简单介绍一下:
最佳决策可以通过遍历所有的情况去得到,有些时候情况比较多元,只能通过部分的情况去学习经验,然后得到一个亚最佳决策(趋近于最佳决策)。
那么如何得到亚最佳决策是我们关心的问题。
Off-policy Q learning算法(冒险想象派):
决策算法:在行为准则Q表(在状态s下所有可以选择动作的价值表)中,遵循e-greedy策略选取最大价值的动作进行执行,重复执行。
更新算法:更新行为准则Q表,通过价值的现实值和估计值。</