---

免模型控制

免模型控制要解决的问题是，如何选择动作以达到最高得分

Q-Learning 算法

原理

首先Q-Learning 确定了一个前提最优策略：$\pi (s)=\arg {\max }_{a}Q(s,a)$ 。这个策略本质上就是 “贪心”。只要 Q 函数能收敛到$Q^{\ast }$（最优动作价值），那么这个贪心策略就等价于最优策略 ${\pi }^{\ast }$（因为每一步都选 “理论上长期收益最大的动作”）。
参考下面的公式，
$$V_{\pi }(s)=\sum _{a\in A}\pi (a\mid s)Q_{\pi }(s,a)$$
策略固定了，我们只需要直接预测动作价值函数，在决策时选择动作价值即 Q 值最大对应的动作即可。那如何实现这个逻辑呢？主要是根据下面的更新公式不断迭代而成
Q - learning 算法更新公式如下图所示。
$$Q\left(s_t,a_t\right)\leftarrow Q\left(s_t,a_t\right)+\alpha \left[r_t+\gamma \underset{a}{\max }Q\left(s_{t+1},a\right)-Q\left(s_t,a_t\right)\right]$$
时序差分方法中状态价值函数的更新公式：
$$V\left(s_t\right)\leftarrow V\left(s_t\right)+\alpha \left[r_{t+1}+\gamma V\left(s_{t+1}\right)-V\left(s_t\right)\right]$$
两者存在惊人的相似，不过这不是巧合，因为两者都采用的是基于时序差分的更新方法
不过也有不一样的地方：$$\gamma \underset{a}{\max }Q(s_{t+1},a)VS\gamma V(s_{t+1})$$由于这一点的不同引入了一个下新的概念就是叫过估计；
动作价值函数更新时是直接拿最大的未来动作价值的来估计的，而在状态价值函数更新中相当于是拿对应的平均值来估计的。这就会导致这个估计相当于状态价值函数中的估计更不准确，称之为Q值过估计。

Sarsa 算法

区别：

$$Q\left(s_t,a_t\right)\leftarrow Q\left(s_t,a_t\right)+\alpha \left[r_t+\gamma Q\left(s_{t+1},a_{t+1}\right)-Q\left(s_t,a_t\right)\right]$$
与Q-learning区别在于一个是同策略一个是异策略。