TD Learning，SARSA，Q Learning

最近在读一篇增强学习的综述
DEEP REINFORCEMENT LEARNING : AN OVERVIEW
发现里边介绍SARSA时，伪代码是错误的。
1.TD Learning
TD Learning，SARSA，Q Learning
2.SARSA

错误就在于，sarsa算法的下一个动作在这次更新时就已经确定了。所以需要在step迭代之前对action进行初始化。
3.Q Learning

TD Learning包含Q Learning和sarsa。
我们说Q Learning是off-policy的，而sarsa是on-policy的。为什么这么说呢？
是因为更新Q时，sarsa是确定好下一个状态和action才进行更新的。但是Q Learning更新时，是选取下一个state的最优动作进行更新，而下一个state实际上采取的action是不能在这次更新时确定的。Q Learning好比是观察你上一次的情况，这次我在做决定。但是sarsa这次更新之前就已经确定好了下一个state和action。这也是Q Learning和sarsa的区别。
这三种方法在特定条件下收敛。根据最优值函数，我们能得到最优策略。