前几天面试的时候被问到RL一些基础算法的区别，回来抽空做了一些整理方便加深理解。
On policy与off policy
为了解决强化学习中探索与利用的平衡问题，可以采用两个策略训练模型，一个策略为行为策略，用于保持探索性，提供多样化的数据，不断优化另一个策略(目标策略)。
on policy的目标策略与行为策略是一个策略，在优化时，两个策略同时被优化。而off policy的目标策略与行为策略不同，可以采用重要性采样的方法实现这一目标，一个具体的例子是蒙特卡洛on policy算法与蒙特卡洛off polic算法。
SARSA算法流程
本质是时序差分算法，它是on policy的
SARSA(lambda)即为TD(lambda)算法(eligibility trace)，即在更新当前步时，也会同时对前面的步骤进行更新，具体算法如下
和Sarsa相比，Sarsa(lambda)算法有如下优势：
Sarsa虽然会边走边更新，但是在没有获得奶酪之前，当前步的Q值是没有任何变化的，直到获取奶酪后，才会对获取奶酪的前一步更新，而之前为了获取奶酪所走的所有步都被认为和获取奶酪没关系。Sarsa(lambda)则会对获取奶酪所走的步都进行更新，离奶酪越近的步越重要，越远的则越不重要（由参数lambda控制衰减幅度）。因此，Sarsa(lambda) 能够更加快速有效的学到最优的policy。
在算法前几回合，老鼠由于没有头绪, 可能在原地打转了很久，从而形成一些重复的环路，而这些环路对于算法的学习没有太大必要。Sarsa(lambda)则可解决该问题，具体做法是：在E(s,a)←E(s,a)+1这一步之前，可先令E(s)=0，即把状态s对应的行置为0，这样就只保留了最近一次到达状态s时所做的action。
Q-learning是sarsa的off-policy版本，对于Q-Learning，我们会使用ϵ−贪婪法来选择新的动作，这部分和SARSA完全相同。但是对于价值函数的更新，在选取下一步最优动作时，Q-Learning使用的是MAX贪婪法(用目标策略选取动作进行评估)，而不是SARSA的ϵ−贪婪法(用行为策略选取动作进行评估)。这一点就是SARSA和Q-Learning本质的区别。Q-learning具体算法如下: