Gymで強化学習⑰SARSA：実装編

前回はTD学習法の理論について解説しました。今回は、オンポリシーでTD学習法を行うSARSAについて解説し実装します。

まずは、SARSAをオンポリシーのTD学習法として導入してから実装を解説します。

SARSAの仕組み

前回はTD学習法で状態価値関数を更新する方法について解説しました。最終的には次のような更新式になりました。