- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
虽然我知道SARSA符合政策,而 Q-learning是偏离策略的,当查看他们的公式时,(对我来说)很难看出这两种算法之间的任何区别。
根据书Reinforcement Learning: An Introduction (萨顿和巴托)。在SARSA算法中,给定一个策略,对应的 Action 值函数Q(在状态s和 Action a,时间步t),即Q(st, at),可以按如下方式更新
Q(st, at) = Q(st, at) + α*(rt + γ*Q(st+1, at+1) - Q(st, at))
另一方面,Q-learning 算法的更新步骤如下
Q(st, at) = Q(st, at) + α*(rt + γ*maxa Q(st+1, a) - Q(st, at))
也可以写成
Q(st, at) = (1 - α) * Q(st, at) + α * (rt + γ*maxa Q(st+1, a))
其中 γ (gamma) 是折扣因子,rt 是在时间步 t 从环境收到的奖励。
这两种算法之间的区别是 SARSA 只查找下一个策略值,而 Q-learning 查找下一个最大策略值?
TLDR(以及我自己的答案)
感谢自从我第一次提出这个问题以来所有回答这个问题的人。我做了一个github repo尝试使用 Q-Learning 并凭经验了解其中的差异。这一切都取决于您如何选择下一个最佳行动,从算法的角度来看,这可以是平均值、最大值> 或最佳操作,具体取决于您选择的实现方式。
另一个主要区别是何时发生这种选择(例如在线与离线)以及如何/为何影响学习。如果您在 2019 年阅读本文,并且是一个更注重实践的人,那么玩 RL 玩具问题可能是理解差异的最佳方式。
最后一个重要注意事项是,Suton 和 Barto 以及维基百科经常对以下内容有混合、令人困惑或错误的公式化表示下一个状态最佳/最大行动和奖励:
r(t+1)
事实上
r(t)
最佳答案
当我学习这部分时,我也发现它很困惑,所以我把 R.Sutton 和 A.G.Barto 的两个伪代码放在一起,希望能让区别更清楚。
蓝色框突出显示了两种算法实际不同的部分。数字突出显示了稍后解释的更详细的差异。
TL;NR:
| | SARSA | Q-learning |
|:-----------:|:-----:|:----------:|
| Choosing A' | π | π |
| Updating Q | π | μ |
其中 π 是 ε 贪婪策略(例如 ε > 0 进行探索),μ 是贪婪策略(例如 ε == 0,无探索)。
鉴于 Q-learning 使用不同的策略来选择下一个 Action A' 和更新 Q。换句话说,它试图在遵循另一个策略 μ 的同时评估 π,因此它是一种离策略算法。
相比之下,SARSA 始终使用 π,因此它是一种在策略算法。
更详细的解释:
两者之间最重要的区别是 Q 在每次操作后如何更新。 SARSA 严格遵循 ε-贪婪策略使用 Q',因为 A' 是从中得出的。相比之下,Q 学习在下一步的所有可能操作中使用最大 Q'。这使得它看起来像是遵循 ε=0 的贪婪策略,即这部分没有探索。
然而,当实际采取行动时,Q-learning 仍然使用从 ε-贪婪策略采取的行动。这就是为什么“Choose A ...”位于重复循环内。
按照 Q-learning 中的循环逻辑,A' 仍然来自 ε-贪婪策略。
关于artificial-intelligence - Q-learning 和 SARSA 有什么区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6848828/
平时很少在jquery中用到this。查看代码时发现用到了,就调试出this的值,心想原来如此。还是挺有用的。这里总结一下this与$(this)的区别和使用。 $(this)生成的是什么?
使用单例类和应用程序范围的托管 bean 来保存应用程序数据有区别吗? 我需要查找某些 JNDI 资源,例如远程 bean 接口(interface),因此我为自己编写了一个单例来缓存我的引用并且只允
如果您仔细查看包含的图片,您会注意到您可以使用 Eclipse IDE 重构 Groovy 代码并将方法转换为闭包,反之亦然。那么,闭包到底是什么,它与方法有什么不同呢?有人可以举一个使用闭包的好例子
vagrant box repackage有什么区别( docs ) 和 vagrant package ( docs )? 我意识到 vagrant package仅适用于 VirtualBox 提
我想看看是否有人可以解释为什么以下代码适用于 valueOf 但不适用于其他代码。 import java.math.BigDecimal; public class Change { publ
这个问题已经有答案了: 已关闭12 年前。 Possible Duplicates: What is Closures/Lambda in PHP or Javascript in layman te
This question already has answers here: Vagrant, Docker, Puppet, Chef (3个答案) 2年前关闭。 docker和chef有什么共同
以下代码在95%的机器上产生相同的输出,但是在几台机器上却有所不同。在 Debug模式下,输出: Changing from New to Fin OK 但在 Release模式下: Changing
////Creating Object var Obj; // init Object Obj= {}; 它们之间有什么区别两个? 有没有可能把它变成一个单行? 这样使用有什么好处吗?
我想找出定时器服务之间的区别。我应该使用哪个以及何时使用。我正在使用 Jboss 应用服务器。 1) java.ejb.Schedule。 @Schedule注解或配置自xml。 2) javax.e
我发现在 C++ 中可以通过三种不同的方式将对象传递给函数。假设我的类(class)是这样的: class Test { int i; public: Test(int x);
有什么区别。 public class Test { public static void main(String args[]) { String toBeCast = "c
如果我有一列,设置为主索引,设置为INT。 如果我不将其设置为自动递增,而只是将唯一的随机整数插入其中,与自动递增相比,这是否会减慢 future 的查询速度? 如果我在主索引和唯一索引为 INT 的
这两种日期格式有什么区别。第一个给出实际时间,第二个给出时间购买添加时区偏移值。 NSDateFormatter * dateFormatter = [[NSDateFormatter alloc]
如果有一个函数,请说foo: function foo() { console.log('bar'); } 那么在 JavaScript 中,从另一个函数调用一个函数有什么区别,如下所示: f
关闭。这个问题是opinion-based 。目前不接受答案。 想要改进这个问题吗?更新问题,以便 editing this post 可以用事实和引文来回答它。 . 已关闭 4 年前。 Improv
代码是什么: class Time { private: int hours; int minutes; int seconds; pu
我知道这是非常基本的,但有人介意解释一下这两个数组声明之间的区别吗: #include array myints; ...和: int myints[5]; ...以及为什么 myints.size
我学会了如何根据 http://reference.sitepoint.com/css/specificity 计算 css 特异性但是,基于this reference,我不明白伪类(来自c)和伪元
为什么在运行 2) 时会出现额外的空行?对我来说 1 就像 2。那么为什么 2) 中的额外行? 1) export p1=$(cd $(dirname $0) && pwd) #
我是一名优秀的程序员,十分优秀!