强化学习（SAC）

SAC—— soft actor-critic

SAC算法是一种现代的深度强化学习算法，它结合了基于策略的和基于价值的方法。SAC的核心思想是最大化期望回报的同时保持策略的随机性，这有助于提高探索环境的效率，并且通常可以赵高更好的策略。

发展史：

TD3算法在DDPG算法的基础上引入了双critic网络和延迟更新，进一步提升了算法的性能；SAC算法在TD3算法的基础上进一步拓展，引入了熵优化和自适应温度参数等技术，以适应更复杂的任务。

SAC算法最早于2018年被提出，该算法结合了actor-critic方法和强化学习中的熵概念。

随机策略&确定性策略

随机策略stochastic policy：在给定状态时，不会总是产生相同的动作，相反它会根据某种概率分布选择动作，这意味着及时智能体处于相同的状态，也可能选择不同的动作。

确定性策略deterministic policy：在给定状态时，总是产生相同的动作，这意味着无论何时智能体处于特定状态，都会选择相同的动作。

基于最大熵的RL算法的优势：

不仅想要长期的回报最大，还想要policy的每一次输出的action的熵最大，这样做是为了让策略随机化，也是在鼓励探索，为具有相似的Q值的动作分配近乎均等的概率，不会给动作范围内任何一个动作分配非常高的概率，避免了反复选择同一个动作而陷入次优。

伪代码：

初始化参数：（软状态值函数中）、、（软Q值函数中）、（策略函数中）

for each iteration do

        for each environment step do

                

                

                

        end for

        for each gradient step do

                更新V：

                更新软Q：

                更新策略：

                更新target V：

        end for

end for

SAC网络架构

SAC算法中温度参数通常体现在actor网络的输出中，actor网络的输出是带噪声的策略，其中你早生的程度由温度参数控制。