【莫烦】强化学习（Q-learning和Sara）

1.Q-learning

• Q-learning属于off-policy，即它看着别人玩来学习。而Sara是走到哪一步就选哪一步，所以只能从自身的经验来学习。可以说成Sara比较胆小，尽量保存自身的安全。

1）两个状态两个动作的例子

2）Q-learing流程

• $ϵ-greedy$是用在决策上的策略，假如$ϵ-greedy=0.9$，说明有90%的概率根据Q-table的最优值来选择action，而10%的概率来随机选择。总之，在当前状态$s$，可以根据自己设计的policy来做下一步动作$a$，因此这是一个自己估计的$Q(s,a)$.
• 此外，在当前状态$s$做动作$a$后，环境会给一个反馈，该反馈包括下一个转态$s^{\prime }$和对应的奖励$r$。求出在状态$s^{\prime }$时的最大$Q$值，即$ma{x}_{a^{\prime }}(s^{\prime },a^{\prime })$.
• $\alpha$是学习效率，来决定这一次的误差有多少要被学习，一般小于1.
• $\gamma$是对未来奖励的衰减值.
  
• 例子：一维和二维的探索者游戏

视频源：https://www.bilibili.com/video/BV13W411Y75P?p=5
代码：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow

2. Sara

1）Original Sara

• Sara属于off-policy，它看着别人玩来学习。而Sara是走到哪一步就选哪一步，所以只能从自身的经验来学习。可以说成Sara比较胆小，尽量保存自身的安全。
• Q-learning需要计算$ma{x}_{a\prime }Q(s^{\prime },a^{\prime })$，即选择当前转态$s^{\prime }$下的最大$Q$值。而Sara计算的是$Q(s^{\prime },a^{\prime })$，即在下一状态$s^{\prime }$时，再执行一次选择action操作（即步骤S2）。
  

2）Sara($\lambda$)

• Sara($\lambda$)同时更新路径上的$Q$值。
  
  

视频：https://www.bilibili.com/video/BV13W411Y75P?p=5
源码：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow