强化学习记录-DQN、PPO、DDPG、SAC对比

Actor-Critic 和 PPO都是在线策略算法，这意味着它们的样本效率比较低。

DQN 算法直接估计最优函数 Q，可以做到离线策略学习，但是它只能处理动作空间有限的环境，这是因为它需要从所有动作中挑选一个值最大的动作。如果动作个数是无限的，虽然可以将动作空间离散化，但这比较粗糙，无法精细控制。

深度确定性策略梯度（DDPG）是用来处理动作空间无限的环境并且使用离线策略的算法。构造一个确定性策略，用梯度上升的方法来最大化Q值。

 PPO 学习随机性策略，而DDPG 则学习一个确定性策略。

DDPG 是离线策略算法，但是它的训练非常不稳定，收敛性较差，对超参数比较敏感，也难以适应不同的复杂环境。一个更加稳定的离线策略算法 Soft Actor-Critic（SAC）被提出，属于最大熵强化学习的范畴。SAC学习一个随机性策略。

最大熵强化学习（maximum entropy RL）的思想就是除了要最大化累积奖励，还要使得策略更加随机。其中，是一个正则化的系数，用来控制熵的重要程度。熵正则化增加了强化学习算法的探索程度，越大，探索性就越强，有助于加速后续的策略学习，并减少策略陷入较差的局部最优的可能性。

SAC 算法原本是针对连续动作交互的环境提出的，但是SAC 也能处理与离散动作交互的环境，通过修改策略网络和价值网络的网络结构，得出SAC 可以在离散动作环境下平衡探索与利用的优秀性质。