On-policy Sarsa算法与Off-policy Q learning对比

Sarsa 算法（on-policy）

在s状态时，跟据当前Q网络以及一定的策略（e-greedy）来选取动作a，进而观测到下一状态s'，并再次根据当前Q网络及相同的e- greedy策略选择动作a',这样就有了一个序列，成为一个sample。

• 注意：

1.在状态s'时，就知道了要采取哪个a'，并真的采取了这个动作。

2.动作a的选取遵循e-greedy策略，目标Q值的计算也是根据（e-greedy）策略得到的动作a'计算得来，因此为on-policy学习。

接下来，根据公式

更新Q(s,a)

Q learning 算法（off-policy）

在s状态时，跟据当前Q网络以及一定的策略（e-greedy）来选取动作a，进而观测到下一状态s'，并再次根据当前Q网络计算出 接下来采取哪个动作会得到最大的Q 值，用这个Q值作为当前状态动作对Q值的target。这样就有了一个序列，成为一个sample。

• 注意：

1.在状态s'时，只是计算了 在s'时要采取哪个a'可以得到更大的Q值，并没有真的采取这个动作a'。

2.动作a的选取是根据当前Q网络以及策略（e-greedy），目标Q值的计算是根据Q值最大的动作a'计算得来，因此为off-policy学习。

接下来，根据公式

更新Q(s,a)

两种算法的相同点

• 如果Q值是用table存储的，则观测到一个序列后，就会对table中的一个状态-动作对进行更新，将 所有的状态动作对都遍历一遍后，table中的所有元素就都更新了一遍。

• 如果Q是用神经网络估计的，则每观测到一个序列，就相当于 多了一个训练数据，就可以执行一次网络参数的更新，也可以将多个观测序列都存起来。

最后，这里有比较清晰易读的代码：

Sarsa:

https://github.com/pybrain/pybrain/blob/master/pybrain/rl/learners/valuebased/sarsa.py

Q learning:

https://github.com/pybrain/pybrain/blob/master/pybrain/rl/learners/valuebased/q.py