2.4 基于TD控制算法：SARSA (On-policy)、Q-Learning (Off...

文档摘要

2.4 基于TD控制算法：SARSA (On-policy)、Q-Learning (Off-policy) 欢迎来到我们强化学习的奇妙世界。今天，我们将深入探讨强化学习领域中两位举足轻重的“明星”——SARSA和Q-Learning。它们是基于时序差分（TD）控制算法的杰出代表，也是我们从传统强化学习迈向深度强化学习的必经之路。想象一下，你正在玩一个寻宝游戏，你不知道地图，也不知道宝藏在哪里，你只能通过不断尝试、不断学习来找到它。强化学习就是这样一种学习范式，它通过让智能体与环境交互，根据环境的反馈（奖励或惩罚）来学习如何做出最优决策。在强化学习中，我们通常会遇到两种类型的问题：预测和控制。预测是评估给定策略的有效性，而控制则是寻找最优策略。