1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

目前0实习，想找中大厂的暑期实习和日常实习，目前进度hot100快刷完了，八股看了一多半（但很多感觉忘记了）。恳求大佬们给出一些建议和指导😸

28届2本非科班大概很快要找实习了，应该是偏ai应用开发方向

1. 为什么选择这个方法？是否尝试过其他 Baseline？效果对比如何？ 回答范例与解析（以选择 SAC 算法为例）： 在我的机械臂抓取项目中，我最终选择了**柔性动作评价（Soft Actor-Critic, SAC）**算法。   尝试过的 Baseline：  DDPG (Deep Deterministic Policy Gradient)：由于是确定性策略，在具身连续控制中探索能力极差，极易陷入局部最优。 PPO (Proximal Policy Optimization)：虽然稳定，但作为 On-policy 算法，样本效率（Sample Efficiency）太低，在真实机械臂...