强化学习中Sara算法和Q-Learning算法的区别

 Q-Learning算法：

1，在环境S1中选出动作a1

2，得到a1这一步的动作价值

Q-target = R + γ*在状态S2中最优的下一步Q(s2, *a)的值

3，更新s1,a1这个状态的Q值

4，做出a1动作得到s2

Sara算法：

1，在环境S1中选出动作a1并得到S2

2，由环境S2选出将要下一步要进行的a2

3，由a1的奖励R，和Q(s2,a2)得到Q-target

4，由Q-target和原先的Q(s1,a1)去更新得到新的Q(s1,a1)

注：Q(s1,a1) = Q(s1, a1）+ α（Q-target - Q（s1,a1）） #  α是学习率

        二者在流程上是十分相似的，其区别在于Q-Learning在计算下一步的Q值时是用的S2状态中最好的那个Q值，但由于greedy在，所以实际上可能并不会采取这个动作。而Sara算法计算下一步Q值时是直接用已经得出的那个a2动作的Q值。

        换句话说，当走到S2这个状态时，如果S2是个“好状态”，那么Sara一定会选择最优的那一步a2，而Q-Learning可能会“冒险”选择其他动作（要看动作选择函数中的greedy police的值）。

        可以这么理解：面对一道难题，Sara比较老实，直接回答自己知道的答案，然后再检查自己这道题的是否拿到了分。而Q-Learning这个学生很聪明，他知道这道题（这个状态）的最优答案，但他也很调皮，他觉得这道题已经知道答案了所以先把这分加上，然后可能会去尝试其他答案。

        对于同样的（s1,a1）得到的S2，Sara是先做出了a2动作，再计算这个动作对应的Q值，而Q-learning是得到S2后思考这个S2这个状态最优的动作是什么后就加上这个最优动作的Q值，然后再去选动作。

        所以在模型训练表现上来看，Sara会看上去相对胆小，选错了就得到选错了的Q值，而Q-learning会更激进，哪怕选错了,也要得到这一步最优的Q值。

        在这个阶段，如果将greedy police（探索程度）的值设为1，也就是说Q-learning一定会选择计算Q-target时的那个动作，Sara也会选择S2对应的最优动作（不会选错），那么Q-learning和Sara算法某种程度上可以看做是一样的。（我个人看法）