Sarsa 与 Q learning对比

Sarsa 算法（on-policy）     处于状态 s 时，根据当前 Q网络以及一定的策略来选取动作 a，进而观测到下一步状态 s'，并再次根据当前 Q 网络及相同的策略选择动作 a'，这样就有了一个【 s，a，r，s'，a' 】序列。     处于状态 s' 时，就知道了要采取哪个 a'，并真的采取了这个动作。动作 a 的选取遵循 e-greedy 策略，目标 Q 值的计算也是根据策略得到

>>阅读原文<<