强化学习（一）--Sarsa与Q-learning算法_qlearning sarsa-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_37333048/article/details/114848199

本文不深入介绍强化学习的理论，而是重点探讨如何编程实现Sarsa和Q-learning算法。文章详细讲解了Sarsa算法的TD单步更新方式以及Q-learning算法的off-policy特性，并提供了代码实现过程，包括主函数、训练及测试函数以及SarsaAgent类的sample、predict和learn函数。示例环境为gym的CliffWalking，用于训练和测试智能体。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近实验室有一个项目要用到强化学习，在这开个新坑来记录下强化学习的学习过程。
第一节就先来最简单的基于表格型的RL算法，包括经典的Sarsa和Q-learning算法。

由于时间原因，关于算法的理论知识不再详细介绍，重点是研究怎么编程实现，代码是参考的飞浆PaddlePaddle公开课的代码，下来又自己手撸了一遍。飞浆PaddlePaddle公开课是我认为最适合入门强化学习的公开课，科老师讲解的真的非常清晰，公开课地址。

1. SARSA算法

sarsa算法是最基础的on-policy算法，它采用的是TD单步更新的方式，每一个step都会更新Q表格，Q表格的更新公式为：这也是代码最核心的部分，它就是将Q值不断逼近目标值，也就是未来总收益。

Sarsa的名字就来源于它更新Q表格时所用到的五个参数：S,A,R,S’,A’，它的算法伪代码为：

第一次看伪代码可能会有些懵，公开课里很贴心的给出了流程图：
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210315185651139.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3MzMzMDQ4,size_16,color_FFFFFF,t_70
根据流程图很容易就能编程实现Sarsa算法。

2. Q-learning算法

Q-learning算法则是off-policy算法，与sarsa算法一样都是采用查表的方式，不同的地方在于它的A’默认为最优策略选择的动作，而sarsa的A则是下一个状态要实际执行的动作。

因此，Q-learning算法的Q表更新公式有些不同，可以看到Target_Q使用的是下个状态下最大的Q值来更新Q表格：
在这里插入图片描述
Q-learning算法的伪代码，可以看到下一时刻的动作并不一定去执行：

它的流程图，与sarsa的对比就能看出不同：

3. 代码实现

以sarsa算法为例，来讲解一下怎么进行代码实现，这里使用的环境为gym中的CliffWalking，它有四个动作：0 up, 1 right, 2 down, 3 left。小乌龟每走一步reward = -1,掉入黑色方框内reward=-100，小乌龟被拖到起点重新开始。
在这里插入图片描述

3.1主函数

主函数主要承担导入环境，定义智能体，训练及测试。

导入的环境是gym中现有的环境，可以直接使用，具体的使用方法可以看看gym库的使用方法。
定义的智能体是SarsaAgent，使我们定义的一个类，由五个参数需要设定。
训练函数run_episode() 和测试函数test_episode() 也是接下来要实现的。
共进行500个episode的训练，每个episode都输出进行多少步和总的reward，每20个episode，我们输出可视化一下。
训练结束后我们测试下结果。

# 主函数
def main():

    # 导入环境
    env = gym.make("CliffWalking-v0")
    env = CliffWalkingWapper(env)

    # env = gym.make("FrozenLake-v0",is_slippery = False)
    # env = FrozenLakeWapper(env)

    agent = SarsaAgent(
        obs_n = env.observation_space.n,
        act_n = env.action_space.n,
        learning_rate = 0.1,
        gamma = 0.9,
        e_greed = 0.1)

    is_render = False

    # 进行500个轮次的训练
    for episode in range(1000):
        ep_reward