SARSA是一种on-policy算法，Q-Learning是一种off-policy算法。

关于on-policy和off-policy的定义，网上有很多不同的讨论，我认为， on-policy和off-policy的差异 在于 训练目标策略 所用到的数据  （有时候也表现为数据  ）是不是当前目标策略（此时还没开始训练）得到的 ，如果是目标策略得到的，那么就是on-policy，如果不是，那么就是off-policy。

 ——https://zhuanlan.zhihu.com/p/384497349

SARSA的伪代码：

Q-Learning的伪代码：

区别在于更新方式：

关于ε-greedy：

一种贪心选择算法，类似的还有UCB（最大置信度上界），在稍后的文章中再详细解释。

个人理解：

就是把奖励矩阵R通过反复迭代的方式，把值赋给价值矩阵Q，然后根据Q选择要转移的状态。

Q-learning很好的参考文章:

http://mnemstudio.org/path-finding-q-learning-tutorial.htm