rl代理 tensorflow 2.0中的RL代理集合 有用的定义 PPO 什么该算法并在OpenAI的旋转起来的文档中描述了很好的解释：“谁的最新间接最大限度地提高性能，通过代替最大化替代的目标函数给出多少\（j（πθ）\）将改变保守估计更新的结果” 策略上的算法 每次更新仅使用根据最新版本的策略执行操作时收集的数据。 非政策算法 每次更新都可以使用培训期间任何时候记录的数据，而不考虑代理当时的环境如何。