Sarsa
”SARSA“ 五个字母是当前 S (状态), A(行动), R(奖励) 与 下一步S’(状态) A’(行动) 的组合，即我们不仅需要知道当前的S, A, R 还需要知道下一步的 S’ 和 A‘。
在Sarsa算法中，智能体的目标是R(S1) + γ*Q(S1,A)
至于A是多少，完全取决于智能体实际上选择的哪一个Action。智能体有90%的概率会选择Q值最大的Action(A2)，还有10%的概率会随机选择一个Action。
所以，Sarsa的算法是这样的。
Q(S0,A2) = Q(S0,A2) + α[R(S1) + γ*Q(S1,A)-Q(S0,A2)]
除了其目标值与Q learning 有所不同之外，其他的都是一模一样的。
所以Sarsa是在线学习(On Policy)的算法，因为他是在行动中学习的，而且至始至终只有一个Policy. 使用了两次greedy-epsilon 方法来选择出了Q(S,A)和q(S’,A’）。
而Q learning离线学习(Off Policy)的算法，QLearning选择Q(S,A)用了greedy方法，而计算A(S’,A’)时用的是max方法，而真正选择的时候又不一定会选择max的行动, 所以 Q learning 学习和行动分别采用了两套不同的Policy
Q learning 通过Max的函数，总是在寻找能最快获得宝藏的道路，所以他比较勇敢。
同样的maze game，我们可以发现Sarsa 却相对谨慎，会走很多重复的steps。
Sarsa Lambda
Q learning 和 Sarsa都是单步更新的算法。单步跟新的算法缺点就是在没有找到宝藏之前，智能体在原地打转的那些行动也被记录在案，并更新了Q表，即便那些行动都是没有意义的。
Lambda(λ)这个衰减系数的引入，就是为了解决这个问题的。与γ用来衰减未来预期Q的值一样，λ是当智能体获得宝藏之后，在更新Q表的时候，给智能体一个回头看之前走过的路程的机会。相当于，智能体每走一步就会在地上插一杆旗子，然后智能体每走一步旗子就会变小一点。
Sarsa Lambda的pseudo code如下：
注意，该算法与Sarsa 算法不同的地方就是多乘了一个E(s, a) (Eligibility Trace”不可或缺性值”)，而这个E(s, a)又同时受γ和λ调控。并且在更新Q表的时候，不仅仅是更新一个Q(S,A)，而是整个Q表所有的Q值都被更新了。
