基于A2C与超启发式的航天器星载自主任务规划算法-笔记

主要文件：AC.py, PolicyNet.py, ValueNet.py
作用：该模块实现了 A2C（Advantage Actor-Critic）强化学习算法。其中，ActorCritic 类是核心，它同时管理策略网络（Actor）和价值网络（Critic）。
逻辑：
- 策略网络（PolicyNet） 负责根据当前状态预测采取不同动作的概率。
- 价值网络（ValueNet） 负责评估当前状态的价值，帮助强化学习决策。
- AC.py 文件负责整合这两个网络，通过与环境交互不断更新策略和价值网络。
核心功能：
- take_action 方法：根据当前状态选择最优动作。
- update 方法：基于获得的经验（状态、动作、奖励等）来更新 Actor 和 Critic 的参数。
输出：模型的动作选择以及不断优化的策略和价值评估。

主要文件：step.py
作用：定义强化学习环境的 step 函数，环境与算法通过该函数进行交互。
逻辑：
- 根据动作选择优化算法（PSO、GWO、SCA 等），并根据算法的结果更新环境状态。
- 每次迭代都会计算奖励，并更新状态。
- done 标志 表示任务是否完成，通常在达到特定条件时标记任务完成。
核心功能：
- 动作对应不同的优化算法，每个动作都会触发相应的算法执行并返回新的状态、奖励等信息。
- 奖励的计算基于适应度函数，优化解的适应度越好，奖励越高。

主要文件：PSO.py, GWO.py, SCA.py, FA.py, TSA.py, WDO.py
作用：实现不同的启发式优化算法，这些算法被 A2C 算法选择作为动作的一部分，用于优化问题的解。
逻辑：
- 各种优化算法模拟不同的自然现象或生物行为，如粒子群、灰狼、风驱动等，帮助在解空间中寻找最优解。
- 每个优化算法都通过特定的规则调整群体个体的位置或参数，以逼近全局最优解。
核心功能：
- 通过各自算法（如 PSO 的粒子位置更新，GWO 的狼群追猎等）来不断优化解，找到适应度最高的解。
- 最终返回优化后的最优解和适应度。

作用：训练整个模型，结合 A2C 强化学习和优化算法，持续迭代以找到最优解。
逻辑：
- 初始化时使用多个优化算法生成初始解，通过并行运行这些算法来加速训练过程。
- A2C 算法通过策略网络选择动作（即使用哪种优化算法），然后通过 step 函数执行动作。
- 每次迭代更新策略网络和价值网络的参数，并记录训练过程中的奖励和适应度值。
核心功能：
- 多进程并行优化算法，提升计算效率。
- 通过 SummaryWriter 记录日志，便于后续的可视化分析。

主要文件：massCalculation.py, move.py, calculate_total_distance.py, 等
作用：存放各种辅助工具函数，如个体位置更新、距离计算、数据处理等。
逻辑：
- 工具类函数被算法和主逻辑调用，提供底层支持。
- 例如：calculate_total_distance.py 计算旅行商问题（TSP）中的路径总距离，move.py 更新个体的位置和速度。
核心功能：
- 提供优化算法的基础计算工具，如距离计算、位置更新等。

作用：存储训练过程中的日志、模型参数、训练检查点等。
逻辑：
- log 文件夹 记录了训练过程中的损失值、适应度值等信息，帮助监控模型训练效果。
- runs 文件夹 存储模型检查点，允许训练中断后恢复模型，也用于 TensorBoard 可视化。

1、初始阶段：
- 当模型初始开始训练时，策略网络还没有经验，它可能会根据初始化的策略随机选择某个动作（即选择某个优化算法）执行。例如，可能随机选择 PSO 或 GWO。
2、执行动作（优化算法）：
- 一旦策略网络选择了某个优化算法作为动作，系统就会执行该算法。这时，优化算法会在解空间中寻找解并返回其适应度值。
- 比如，如果选择了 PSO，则会调用 PSO.py 中的粒子群算法来优化问题。
3、环境反馈：
- 每次执行一个优化算法后，系统会通过 环境交互模块（step.py） 得到当前状态的反馈，也就是通过适应度函数获得一个奖励值，并返回更新后的状态。
4、策略更新：
- 策略网络（Actor） 根据每次选择动作的反馈信息（奖励和状态），不断学习和调整自己的参数，逐渐倾向于选择带来更高奖励的动作。
- 同时，价值网络（Critic） 也会通过评估当前状态的价值，帮助策略网络更好地做出决策。
5、迭代训练：
- 随着训练的不断进行，策略网络会越来越倾向于选择那些带来高奖励的优化算法。这并不是执行所有算法后再对比选择，而是通过逐步学习策略，越来越准确地预测哪个动作（优化算法）最适合当前状态。