本文针对第一版的 SAC 算法做了进一步的优化，其主要差别是引入了 temperature α 自动调整，在原来算法中，给了一个依赖先验的固定参数作为 entropy 的权重，因为 reward 的不断变化，采用固定的 α 显然是不合理的，会让整个训练不稳定，因此自动化的调整参数非常重要。

摘要

算法

参考

1. [RL]强化学习Soft Actor-Critic论文笔记
2. 最前沿：深度解读Soft Actor-Critic 算法
3. 详解soft actor-critic

About

[PDF]
[Code]