PPO算法基本原理
PPO（Proximal Policy Optimization）近端策略优化算法，是一种基于策略（policy-based）的强化学习算法，是一种off-policy算法。
详细的数学推导过程、为什么是off-policy算法、advantage函数设计、重要性采样Importance Sampling这些概念的详细介绍和注释请参考学习：李宏毅老师的强化学习系列课程，我也将学习笔记分享到另一篇博客中：PPO算法基本原理（李宏毅课程学习笔记）https://blog.csdn.net/ningmengzhihe/article/details/131457536，欢迎感兴趣的小伙伴共同交流呀！！！
KL penalty 和 Clip
PPO算法的核心在于更新策略梯度，主流方法有两种，分别是KL散度做penalty，另一种是Clip剪裁，它们的主要作用都是限制策略梯度更新的幅度，从而推导出不同的神经网络参数更新方式
采用KL penalty算法，那么神经网络参数按照下面的方式更新
采用Clip算法，那么神经网络参数按照下面的方式更新
那么采用KL penalty算法的PPO算法伪代码如下
采用Clip算法的PPO算法伪代码如下
算法流程图
下面的算法流程图是基于莫烦python的PPO算法代码实现，同时参考了网络代码的算法流程，它没有用到memory，每次更新ppo用到的数据是连续的transition（包括当前状态、执行动作和累积折扣奖励值），它采用两个actor网络（一个actor_old一个actor ）
PPO类包含下面四个部分，也就是四个方法
（1）初始化
（2）选择动作
（3）计算状态价值
（4）更新/训练网络的update方法
KL penalty和Clip算法体现在更新actor网络方式不同，也就是下面流程图中的黄色框
actor网络和critic网络更新实现不固定，上述算法是actor网络和critic网络分开更新，有的actor_loss和critic_loss加权后一块儿更新网络（代码请见simple_ppo.py），它们网络结构设计也不同
具体哪种方式效果更好并没有理论依据，往往需要尝试跑代码再结合具体问题选择喽
参考资料
（1）论文：Emergence of Locomotion Behaviours in Rich Environments
（2）论文：Proximal Policy Optimization Algorithms
（3）莫烦Python
（4）PPO2代码 pytorch框架 - 知乎 https://zhuanlan.zhihu.com/p/538486008，这是一份可以跑通的代码，很赞
（5）B站李宏毅强化学习课程，讲解数学原理非常厉害
（6）这份教程是李宏毅强化学习的深入讲解，也和不错：ChatGPT和PPO（中文介绍）_哔哩哔哩_bilibili https://www.bilibili.com/video/BV1sg4y1p7hw/?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click&vd_source=1565223f5f03f44f5674538ab582448c
