强化学习（2）：Sarsa 算法及 Sarsa(lambda) 算法

最近自己会把自己个人博客中的文章陆陆续续的复制到CSDN上来，欢迎大家关注我的 个人博客，以及我的github。

本文主要讲解 Sarsa 算法以及 Sarsa($\lambda$) 算法的相关内容，同时还会分别附上一个莫烦大神写的例子。

一、Sarsa 算法

Sarsa 算法与 Q-Learning 算法相似，也是利用 Q 表来选择动作，唯一不同的是两者 Q 表的更新策略不同。该算法由于更新一次动作值函数需要用到 5 个量 $(s,a,r,s\prime ,a\prime )$，所以被称为 Sarsa 算法。

1. Sarsa 算法基本思想

Sarsa 算法中 Q 表的更新公式如下：
$$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha [R_{t+1}+\gamma \cdot Q(S_{t+1},A_{t+1})-Q(S_t,A_t)]$$
其中 $Q(S_{t+1},A_{t+1})$ 是下一时刻的状态和实际采取的行动对应的 Q 值；而在 Q-Larning 中是下一时刻的状态对应的 Q 值的最大值，但是在实际中可能不采用该最大值对应的动作。Sarsa 算法和 Q-Learning 算法除了在 Q-target 上有所不同，其他的都一样。

Sarsa 是 on-policy 学习方法，因为它始终只有一个策略，使用 $ϵ$ 贪婪方法选择出 $Q(S_t,A_t)$ 和 $Q(S_{t+1}^{\prime },A_{t+1}^{\prime })$ 。而 Q-Learning 算法是 off-policy 算法，选择 $Q(S_t,A_t)$ 时使用 $ϵ$ 贪婪方法，而计算 $Q(S^{\prime },A^{\prime })$ 时使用了最大值算法，学习和行动分别采用了两套不同的策略。

2. Sarsa 算法流程：

初始化 Q 表（令其值为 0）

对于每个 episode（回合）：

​ 1. 初始化状态 s

​ 2. 在当前状态 s 的所有可能动作中选取一个动作 a （以 $ϵ$ 的概率安装 Q 表数值最大的动作行动，以 $1-ϵ$ 的概率随机行动）

​ 3. 如果当前状态 s 不是终止状态，则重复执行以下步骤：

​ （1）执行动作 a 并得到下一个状态 s‘ 和相应的奖励 r

​ （2）在当前状态 s’ 的所有可能动作中选取一个动作 a’

​ （3）更新 Q 表：$Q(s,a)\leftarrow Q(s,a)+\alpha [r+\gamma \cdot Q(s^{\prime },a^{\prime })-Q(s,a)]$

​ （4）更新状态和动作：s=s’， a=a’

二、 Sarsa ($\lambda$) 算法

1. Sarsa ($\lambda$) 算法基本思想

Q-Learning 和 Sarsa 都是在得到奖励后只更新上一步状态和动作对应的 Q 表值，是单步更新算法，也就是 Sarsa(0)。但是在得到当前奖励值之前所走的每一步（即一个轨迹）都多多少少和最终得到的奖励值有关，所以不应该只更新上一步状态对应的 Q 值。于是就有了多步更新算法——Sarsa(n)。当 n 的值为一个回合（episode）的步数时就变成了回合更新。对于多步更新的 Sarsa 算法我们用 $Sarsa(\lambda )$ 来统一表示，其中 $\lambda$ 的取值范围是 [ 0 , 1 ]，其本质是一个衰减值。

所谓的轨迹就是指状态、动作和奖励的一个历史序列，很多时候会遇到这个概念，所以这里简单提一句。

2. Sarsa ($\lambda$) 算法流程

$Sarsa(\lambda )$ 算法比 $Sarsa$ 算法中多了一个矩阵E (eligibility trace)，它用来保存在路径中所经历的每一步，并其值会不断地衰减。该矩阵的所有元素在每个回合的开始会初始化为 0，如果状态 s 和动作 a 对应的 E(s,a) 值被访问过，则会其值加一。并且矩阵 E 中所有元素的值在每步后都会进行衰减，这保证了离获得当前奖励越近的步骤越重要，并且如果前期智能体在原地打转时，经过多次衰减后其 E 值就接近于 0 了，对应的 Q 值几乎没有更新。

值得注意的是，在更新 Q(s,a) 和 E(s,a) 时，是对“整个表”做更新，但是因为矩阵 E 的初始值是 0，只有智能体走过的位置才有值，所以并不是真正的对“整个表”做更新，而是更新获得奖励值之前经过的所有步骤。而那些没有经过的步骤因为对应的 E(s,a) 值为0，所以 $Q(s,a)=Q(s,a)+\alpha \cdot \delta \cdot E(s,a)=Q(s,a)$，会保持原值不变。

3. 矩阵 E 的两种更新方式

(1) accumulating trace：每次走到当前状态，则将当前的矩阵 E 的元素值+1，即：
$$E(s,a)=E(s,a)+1$$
(2) replacing trace：给矩阵 E 的元素值设置上限，使得其所有值在 [0 , 1] 之间，所以每次更新时先将当前状态所在的行清零，再将对应的 E(s,a) 置一，即：
$$E(s,:)=0$$

$$E(s,a)=1$$

从实践来说，第二种更新方式会更好一点。