悬崖：SARSA vs Q-learning

底边除了起点和终点都是悬崖。Q-learning 用 max Q，学会贴着悬崖的最短路；SARSA 评价的是 ε-greedy 真会走的下一步，所以宁可绕远。两边用同一组随机种子并行训练。