Policy Optimization

FERPO：免除動作梯度的前向熵正規化策略最佳化，實現高效且穩定的強化學習

FERPO: Forward Entropy-Regularized Policy Optimization Without Action Gradients

FERPO 是一種全新的在線強化學習演算法，在策略改善時無需對評論家進行動作求導，透過前向 KL 散度與自標準化重要性採樣大幅提升連續控制任務中的樣本效率與運算速度。