上一篇文章介绍了强化学习中的Q-Learning算法，这篇文章介绍一个与Q-Learning十分类似的算法——Sarsa算法。
1. 回顾Q Learning
还是同样的例子，红色机器人在4x4的迷宫中寻找黄色的宝藏。找到宝藏，将会的到+1的奖励，如果掉进黑色陷阱就回的到-1的奖励(惩罚)。
首先回顾一下Q表如下
| Q table (States\Actions) | left (A1) | right (A2) | up (A3) | down (A4) |
|---|---|---|---|---|
| S0 | -1 | 3 | -1 | 2 |
| S1 | 1 | 2 | -1 | 1 |
| ... | ... | ... | ... | .. |
Q(S0,A2) = Q(S0,A2) + α[R(S1) + γ*maxa Q(S1,a)-Q(S0,A2)]
在Q Learning 算法中，当机器人处于S0的状态时，它的目标Q值是:
R(S1) + γ*maxa Q(S1,a)。此时他还在S0的位置上，但是已经在计算S1上的最大Q值了。但是此时它并没有行动，也不一定会在S1采取Q值最大Q(S1, A2)的行动。因为我们提到，它还有10%的概率随机选择其他的行动 (ε贪婪方法(ε -Greedy method))。
2. Sarsa 行动派
在Sarsa算法中，机器人的目标是
R(S1) + γ*Q(S1,A)
至于A是多少，完全取决于机器人实际上选择的哪一个Action。机器人有90%的概率会选择Q值最大的Action(A2)，还有10%的概率会随机选择一个Action。
所以，Sarsa的算法是这样的。
除了其目标Q值与Q learning 有所不同之外，其他的都是一模一样的。
所以Sarsa是在线学习(On Policy)的算法，因为他是在行动中学习的，使用了两次greedy方法来选择出了Q(S,A)和q(S',A'）。而Q learning离线学习(Off Policy)的算法，QLearning选择Q(S,A)用了greedy方法，而计算A(S',A')时用的是max方法，而真正选择的时候又不一定会选择max的行动。
Q learning 通过Max的函数，总是在寻找能最快获得宝藏的道路，所以他比较勇敢。而Sarsa 却相对谨慎。
3. Sarsa-lambda
Q learning 和 Sarsa都是单步更新的算法。单步跟新的算法缺点就是在没有找到宝藏之前，机器人在原地打转的那些行动也被记录在案，并更新了Q表，即便那些行动都是没有意义的。
Lambda(λ)这个衰减系数的引入，就是为了解决这个问题的。与γ用来衰减未来预期Q的值一样，λ是当机器人获得宝藏之后，在更新Q表的时候，给机器人一个回头看之前走过的路程的机会。相当于，机器人每走一步就会在地上插一杆旗子，然后机器人每走一步旗子就会变小一点。
Sarsa-lambda 的完整算法在这里：
注意，该算法与Sarsa 算法不同的地方就是多乘了一个E(s, a) (Eligibility Trace"不可或缺性值")，而这个E(s, a)又同时受γ和λ调控。并且在更新Q表的时候，不仅仅是更新一个Q(S,A)，而是整个Q表所有的Q值都被更新了。
文章首发steemit.com 为了方便墙内阅读，搬运至此，欢迎留言或者访问我的Steemit主页
