深度学习中sarsa算法和Q-learning算法的区别

本文探讨了SARSA和Q-learning两种时序差分算法的不同之处,特别是它们如何处理状态动作价值函数的更新过程。SARSA采用on-policy方法,其下一个动作的选择依赖于当前策略;而Q-learning则采用off-policy方法,使用贪婪策略来选择下一个动作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

sarsa 和 Q-learning都是时序差分下对动作价值函数优化的单步方法,算法基本上一样,只有一点:
为了更新St的动作价值函数,需要St+1的动作价值函数,St+1是由St和At决定的,但是St+1对应的action由什么决定呢?

sarsa的处理方式是episinon + greedy,和St选择aciton采取的方法是一样的,称为 on-policy;
Q-learning的处理方式是greedy,但是St选择action的方法还是episinon + greedy,称为 off-policy;;

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值