Presná definícia
Čo znamená SARSA?
SARSA je on-policy TD riadiaci algoritmus pomenovaný podľa päťice stav-akcia-odmena-stav-akcia. Q-hodnotu aktualizuje pomocou akcie, ktorú aktuálna behaviorálna politika skutočne zvolí v nasledujúcom stave.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri navigácii tím ponechá epsilon prieskum aj počas učenia, takže SARSA započíta riziko prieskumných krokov. Po zmene epsilon politiku znovu vyhodnotí.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená SARSA?
SARSA je on-policy TD riadiaci algoritmus pomenovaný podľa päťice stav-akcia-odmena-stav-akcia.
Kedy sa SARSA používa?
Pri navigácii tím ponechá epsilon prieskum aj počas učenia, takže SARSA započíta riziko prieskumných krokov.
Od čoho treba SARSA odlíšiť?
Q-learning cieli na greedy maximum; SARSA hodnotí pokračovanie aktuálnej, aj prieskumnej politiky.
Ako sa SARSA kontroluje?
Kontroluje sa poradie pätice, konzistentnosť behaviorálnej politiky, epsilon, terminálne prechody a návratnosť.
Aké obmedzenie má SARSA?
Výsledok závisí od prieskumnej politiky; príliš pomalý pokles epsilon môže zachovať zbytočne opatrné správanie.