Q-learning

算法描述：

Sarsa

算法描述：

假设我们的 Q(s, a) 是一个 Q table ，如下图所示，该表格表示共有三个 state (状态)： s1$s_1$ 、s2$s_2$、s3$s_3$ ,每个状态都有三个可选 action (动作) ：a1$a_1$、a2$a_2$、a3$a_3$ ，对所有的状态-动作以 0 赋值：

Q-learning 算法和 Sarsa 算法都是从状态 s 开始，根据当前的 Q table 使用一定的策略（ε - greedy）选择一个动作 a’ ，然后观测到下一个状态 s’ ，并再次根据 Q table 选择动作 a’ 。

• Q-learning 算法更新 Q(s, a)
  
• Sarsa 算法更新 Q(s, a)
  
  可以看出更新 Q(s, a) 需要用到下一个状态的动作 a’ ，而两种算法的不同点正是选取 a’ 的方法不同。

不同点： 根据算法描述，在选择新状态 s‘ 的动作 a’ 时，Q-learning 使用贪心策略（greedy），即选取值最大的 a‘ ，此时只是计算出哪个 a‘ 可以使 Q(s, a) 取到最大值，并没有真正采用这个动作 a‘ ；而 Sarsa 则是仍使用 ε - greedy 策略，并真正采用了这个动作 a‘ 。如下图所示：

• Q-learning 选取 a’
  
• Sarsa 选取 a’