Q-learning 和 SARSA是兩種model-free的學習方法，兩者有很多異同點。
比如在評估策略和行動策略上面，評估策略是用來更新Q值表格的（也就是“學習”），行動策略是用來決定下一步行動的。
首先Q-learning 是off-policy 的，翻譯成異策略，也就是評估用的策略和實際行動采用的策略是不一樣的，其中評估策略采用的是貪婪策略，而行動策略采用的是ε-greedy策略；也就是說Q-Learning學到的用來更新Q值的用的是最好的值，而實際上采用的方法卻不是，有點像道理我都懂，卻過不好這一生。
Q-learning
SARSA
而SARSA是on policy的，也就是評估策略和行動策略使用的是相同的方法，即都為也是采用ε-greedy策略。也就是說，SARSA沒學到的方法和用的是同一種，就比較踏踏實實。
refers:
強化學習(七)--Q-Learning和Sarsa
