离线学习算法：A3C, PPO, TRPO
在线学习算法：DDPG，训练不稳定，容易陷入局部最优
SAC: 离线策略，随机策略，最大化累积奖励的同时最大化策略的熵（更好地探索环境，熵值越高，策略越随机，目标的奖励越大）
Soft Actor-Critic 算法公式：
α越大，策略的随机性越强
算法流程：
代码练习：
标签：策略,SAC,09,离线,学习,算法 From： https://www.cnblogs.com/demo-deng/p/16908947.html
离线学习算法：A3C, PPO, TRPO
在线学习算法：DDPG，训练不稳定，容易陷入局部最优
SAC: 离线策略，随机策略，最大化累积奖励的同时最大化策略的熵（更好地探索环境，熵值越高，策略越随机，目标的奖励越大）
Soft Actor-Critic 算法公式：
α越大，策略的随机性越强
算法流程：
代码练习：
标签：策略,SAC,09,离线,学习,算法 From： https://www.cnblogs.com/demo-deng/p/16908947.html