Sarsa理论

1.Sarsa是一个基于价值的算法

s：state表示状态
a：action动作
r：reward奖励
p：状态转移概率，在t时刻的S1状态下执行动作A,转移到t+1时刻的状态S2并且拿到R的概率

2.一个重要的概念，动作状态价值Q函数：

它是指未来总收益，可以用来评价当前的动作是好是坏。因为现实生活中的回报往往也是滞后的。
就比如说送病人去医院（+1000），路上有红绿灯（-1），那么这个时候肯定是送到医院的价值更大。

未来总收益可以结合衰减因为γ：还是要务实对哇。
首先是未来总收益，从公式中就可以看出当前的收益是跟未来的收益密切相关的。并且Gt和Gt+1之间存在递推关系

然后，Sarsa的核心公式如下：Q最终逼近的就是G

def test_episode(env, agent):
    total_reward = 0
    obs = env.reset()
    while True:
        action = agent.predict(obs)  # greedy
        next_obs, reward, done, _ = env.step(action)
        total_reward += reward
        obs = next_obs
        time.sleep(0.5)
        env.render()
        if done:
            print('test reward = %.1f' % (total_reward))
            break

 def learn(self, obs, action, reward, next_obs, next_action, done):
        """ on-policy
            obs: 交互前的obs, s_t
            action: 本次交互选择的action, a_t
            reward: 本次动作获得的奖励r
            next_obs: 本次交互后的obs, s_t+1
            next_action: 根据当前Q表格, 针对next_obs会选择的动作, a_t+1
            done: episode是否结束
        """
        predict_Q = self.Q[obs, action]
        if done:
            target_Q = reward  # 没有下一个状态了
        else:
            target_Q = reward + self.gamma * self.Q[next_obs,
                                                    next_action]  # Sarsa
        self.Q[obs, action] += self.lr * (target_Q - predict_Q)  # 修正q

3.什么叫MDP？

就是t+1时刻的状态 仅取决于t时刻的状态和动作。

4.Q表格：

上图的动作维度就是4个，比如上下左右；观测维度若干。
代码来自paddle