强化学习实践五：SARSA(λ)算法实现_基于sarsa算法的小车爬山问题-优快云博客

本文链接：https://blog.youkuaiyun.com/xyk_hust/article/details/86600516

本文介绍了SARSA(λ)算法的实现，重点是基于反向认识的版本。通过对比SARSA(0)，阐述了SARSA(λ)算法的特点，并展示了在格子世界的环境中，如何应用该算法。文中提供了算法的代码实现，以及在有风格子世界中的运行效果，探讨了算法在连续观测空间问题上的挑战和可能的解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在强化学习实践四中我们编写了一个简单的个体(Agent)类，并在此基础上实现了SARSA(0)算法。本篇将主要讲解SARSA(λ)算法的实现，由于前向认识的SARSA(λ)算法实际很少用到，我们将只实现基于反向认识的SARSA(λ)算法，本文后续如未特别交代，均指的是基于反向认识的SARSA(λ)。

SARSA(λ)算法的实现

该算法的流程图如下：

其特点是需要额外维护一张E表，来衡量一个Episode内个体早期经过的状态对后续状态行为价值贡献的重要程度。在David Silver《强化学习RL》第五讲不基于模型的控制中，已经用文字描述详细比较了SARSA(0)和SARSA(λ)之间的区别，我们来看看这些区别是如何反映在代码中的。

我们在上一篇使用的Agent类的基础上作些针对性的修改，主要表现在：添加一个字典成员变量E（也可以将其设为learning方法里的局部变量），支持对E的初始化、查询、更新、重置操作；修改learning方法。至于个体执行策略、执行行为的方法不需更改。完整的代码如下：

from random import random
from gym import Env
import gym
from gridworld import *

class SarsaLambdaAgent(object):
    def __init__(self, env:Env):
        self.env = env
        self.Q = {}  # {s0:[,,,,,,],s1:[]} 数组内元素个数为行为空间大小
        self.E = {}  # Eligibility Trace
        self.state = None
        self._init_agent()
        return

    def _init_agent(self):
        self.state = self.env.reset()
        s_name = self._name_state(self.state)
        self._assert_state_in_QE(s_name, randomized = False)

    #  using simple decaying epsilon greedy exploration

    def _curPolicy(self, s,