接触reinforcement learning有一个月的时间了，现在回来回顾当时写的Q-learning和Sarsa算法，有了更多的感触。
对于Q-learning算法和Sarsa算法的具体流程，原文已经讲解的很详细，附上参考博客地址:
https://blog.csdn.net/u010223750/article/details/78955807
本文就记录一下Q-learning和Sarsa的区别，并不详细解释这两种算法了。
首先，设想一种走迷宫的场景。迷宫中有陷阱，给定迷宫的入口和出口，agent的初始位置在迷宫的入口，要让agent以最少的步数走出迷宫。(如下图所示)每走一步给一个-1的reward，进入到陷阱就结束了，reward为-100，进入到出口游戏也结束，reward=0
环境的部分我就不细说了，下面说一说Q-learning和Sarsa在解决这个问题的区别在哪里。
区别在于选择action(当前动作和下一个状态采取的动作）
Q-learning每次使用epsilon-greedy的方法，选择当前状态的action，
在更新Q[state][action]的时候，是使用Q[next_state][next_acion]，其中next_action是使Q[next_state][next_action]最大的动作。
然后state=next_state，动作再重新选择，next_acion值用于更新Q值。
Sarsa则不同。使用epsilon-greedy选择next_state的next_action，然后用Q[next_state][next_acion]来更新Q[state][action]，更新的时候：
state=next_state, action=next_action
从中就可以看出两个算法的区别，Sarsa是一种on-policy算法，Q-learning是一种off-policy算法。
Sarsa选取的是一种保守的策略，他在更新Q值的时候已经为未来规划好了动作，对错误和死亡比较敏感。而Q-learning每次在更新的时候选取的是最大化Q的方向，而当下一个状态时，再重新选择动作，Q-learning是一种鲁莽、大胆、贪婪的算法，对于死亡和错误并不在乎。
在实际中，如果你比较在乎机器的损害就用一种保守的算法，在训练时，可以减少机器损害的次数。
可以看一下代码的运行结果:
Sarsa:选择的是一条最安全的道路，远离陷阱
Q-learning:选择的是一条最快的道路，尽快到达出口
最后附上代码链接: