SARSA 与 Cliff Walking
使用实际下一动作 A′ 的 on-policy TD 控制。
学习目标
- 定义SARSA 与 Cliff Walking并复述输入输出。
- 从公式计算一个最小数值例子。
- 说明它与相邻算法的区别、失败模式和适用场景。
为什么重要
SARSA 与 Cliff Walking位于“状态—行动—反馈—更新”学习链中的关键位置。
掌握它能帮助学习者判断算法使用的数据、策略归属和稳定性边界。
学习前需要掌握
背景与问题
强化学习面对序贯决策：动作会改变之后能看到的状态和奖励，因此样本通常并非独立同分布。
同一算法的效果取决于环境、探索策略、函数近似、随机种子和评测协议，单次曲线不足以下结论。
概念定义
SARSA 名称来自 S,A,R,S′,A′ 五个更新元素。
本页使用“问题定义—数学目标—更新过程—代码—失败诊断”的顺序组织，避免只记算法缩写。
直观理解
它评价“我实际会继续探索”的策略，因此会把探索跌落悬崖的风险算进去。
把价值看作“未来累计收益的估计”，把策略看作“在状态下如何选动作的规则”；算法差异主要在估计谁、使用谁生成的数据以及如何更新。
核心原理
下一动作来自当前行为策略。
epsilon-greedy 会直接影响目标。
Cliff Walking 中常比 Q-Learning 更保守。
数学表达
SARSA 更新
目标包含实际下一动作。
变量含义
G_t从时刻 t 开始的折扣累计回报。R_{t+1}执行动作后收到的下一步奖励。γ折扣因子，通常位于 [0,1)。
计算步骤
- 1计算 bootstrap 目标：1+0.9×2=2.8。
- 2目标与当前估计差为 2.8−0.5=2.3。
- 3若学习率 α=0.1，新估计为 0.5+0.1×2.3=0.73。
代码对应位置
示例 1SARSA：同一行为策略生成动作并参与目标：展示 S,A,R,S′,A′ 五元组与 on-policy 更新。
变量解释
| 变量 | 含义 |
|---|---|
G_t | 从时刻 t 开始的折扣累计回报。 |
R_{t+1} | 执行动作后收到的下一步奖励。 |
γ | 折扣因子，通常位于 [0,1)。 |
完整数值示例
SARSA 与 Cliff Walking的最小计算
已知条件
- 即时奖励为 1
- 下一状态估计为 2
- 折扣因子 γ=0.9
- 当前估计为 0.5
- 1
计算 bootstrap 目标：1+0.9×2=2.8。
- 2
目标与当前估计差为 2.8−0.5=2.3。
- 3
若学习率 α=0.1，新估计为 0.5+0.1×2.3=0.73。
一次更新后估计从 0.5 变为 0.73；是否收敛需要持续采样与满足相应条件。
处理前后对比
- 较大 α 更新快但噪声和震荡更强。
- 较大 γ 更重视远期奖励，但误差传播范围更长。
- 使用真实回报与 bootstrap 目标会带来不同偏差—方差权衡。
计算与实现步骤
- 1
选 A
- 2
执行得 R,S′
- 3
按同策略选 A′
- 4
用 Q(S′,A′) 更新
- 5
令 S,A=S′,A′
代码实现
示例 1
SARSA：同一行为策略生成动作并参与目标
example_01.py用途：展示 S,A,R,S′,A′ 五元组与 on-policy 更新。
import numpy as np
rng = np.random.default_rng(7)
Q = np.zeros((6, 2))
alpha, gamma, epsilon = 0.2, 0.95, 0.2
def choose(state):
return rng.integers(2) if rng.random() < epsilon else int(np.argmax(Q[state]))
def step(state, action):
next_state = np.clip(state + (-1 if action == 0 else 1), 0, 5)
return next_state, (1.0 if next_state == 5 else -0.01), next_state == 5
for episode in range(300):
state, action = 0, choose(0)
for _ in range(30):
next_state, reward, done = step(state, action)
next_action = choose(next_state)
bootstrap = 0.0 if done else Q[next_state, next_action]
Q[state, action] += alpha * (reward + gamma * bootstrap - Q[state, action])
state, action = next_state, next_action
if done:
break
print(np.argmax(Q, axis=1))代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
展示 S,A,R,S′,A′ 五元组与 on-policy 更新。
alpha- 当前学习率，控制每次参数更新的步长。
Step 1 · 1–1 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
import numpy as npStep 2 · 3–5 行
目标使用 Q(S′,A′)，而非 max Q。
rng = np.random.default_rng(7)
Q = np.zeros((6, 2))
alpha, gamma, epsilon = 0.2, 0.95, 0.2Step 3 · 7–8 行
探索动作的风险会进入价值估计，因此 Cliff Walking 中往往更保守。
def choose(state):
return rng.integers(2) if rng.random() < epsilon else int(np.argmax(Q[state]))Step 4 · 10–12 行
执行当前代码段，并把得到的状态传给下一步。
def step(state, action):
next_state = np.clip(state + (-1 if action == 0 else 1), 0, 5)
return next_state, (1.0 if next_state == 5 else -0.01), next_state == 5Step 5 · 14–23 行
按学习率和梯度更新参数。步长过小会缓慢，过大会越过最低点并震荡或发散。
for episode in range(300):
state, action = 0, choose(0)
for _ in range(30):
next_state, reward, done = step(state, action)
next_action = choose(next_state)
bootstrap = 0.0 if done else Q[next_state, next_action]
Q[state, action] += alpha * (reward + gamma * bootstrap - Q[state, action])
state, action = next_state, next_action
if done:
breakStep 6 · 25–25 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
print(np.argmax(Q, axis=1))预期输出或运行结果
非终止状态主要选择向右；在含悬崖风险的环境中通常学到离悬崖更远的路径。
常见错误 · 3 条
- 只报告最好的一次随机种子
- 训练回报与评测回报混用
- 终止状态仍错误 bootstrap
实际应用
- 序贯决策
- 控制与资源分配
常见错误
文档来源
强化学习可靠资料扩展资料
外部原始教材或论文- 相关定义、公式与算法章节
扩展内容说明
未找到可直接映射的本地强化学习文档；中文直觉、数值例子、代码和交互演示属于扩展解释，算法定义与公式以所列教材或原论文为依据。
算法属性与数据边界
失败模式、风险与性能
失败模式
- 探索不足
- 目标漂移
- 函数近似不稳定
目标与安全风险
- 奖励函数与真实目标不一致会诱发奖励黑客。
- 部署策略的行动权限必须由环境和应用层约束。
性能与复现
- 样本效率、墙钟时间和显存占用需要分别报告。
- 应使用多个随机种子、置信区间和固定评测策略。
常见问题
SARSA 与 Cliff Walking是 on-policy 还是 off-policy？
本页算法/方法按 on-policy 组织。
网页是否会训练模型？
不会。所有图表使用固定种子或解析公式在浏览器本地计算，不执行页面中的示例代码。
资料来源与核对日期
核对日期：2026-08-30。算法定义与公式依据以下外部教材或原论文；中文直觉、教学代码、对照与部署建议属于本站扩展解释。
推荐学习资料
参考库不会生成虚假资源或无效外部链接。