实现 RL 算法
教材《人工智能导论》7.2.3 / 内部第4点 · 已审核
通俗解释
强化学习算法体系较为庞杂，不同方法在稳定性、样本效率以及工程实现难度上存在显著差异。 针对连续控制问题，本节重点介绍两种实践中上手友好、成熟度高且在机器人领域被广泛验证的算法：近端策略优化（PPO） 与柔性行动器- 评判器（Soft Actor-Critic，SAC）。
例子
在连续控制任务中实现 PPO 的行动器和评判器网络，再记录策略更新与回报。
容易混淆
PPO 与 SAC 的数据使用和优化机制不同，不能因都能控制机器人就混同。
检查理解
用自己的话解释“实现 RL 算法”在“强化学习算法实践”中的作用，并举出教材中的一个例子或适用场景。对照原文检查条件、公式和图表。
查看参考答案
要点：强化学习算法体系较为庞杂，不同方法在稳定性、样本效率以及工程实现难度上存在显著差异。 针对连续控制问题，本节重点介绍两种实践中上手友好、成熟度高且在机器人领域被广泛验证的算法：近端策略优化（PPO） 与柔性行动器- 评判器（Soft Actor-Critic，SAC）。 示例：在连续控制任务中实现 PPO 的行动器和评判器网络，再记录策略更新与回报。