首先我们从策略梯度说起，
强化学习的目标是调整模型参数，改变模型决策，最大化期望回报J(θ)
策略梯度定理告诉我们
最原始的reinforce算法，直接用一整条轨迹的回报Gt作为估计
但是这种方法要求 每次更新都依赖完整的轨迹，并且方差大
于是我们引入了评估网络，也就是Actor Critic算法
Actor Critic算法有actor和critic两个网络，
actor网络负责输出动作的概率（和策略梯度算法没差别）
critic网络则用价值函数代替策略梯度中的完整回报
其中优势函数At为，
在AC算法中，我们通常使用TD误差作为优势
这样，AC算法不仅显著降低了方差，而且可以基于单步TD误差进行更新，不用等到轨迹结束。
但是AC算法还存在一个问题，如果优势函数At估计很大，那么策略的更新可能会非常剧烈，导致策略更新不稳定，于是我们在策略更新的时候引入了clip，也就是PPO算法。
PPO算法相比于AC，核心在于修改了策略更新的损失函数
PPO首先定义了新旧策略概率比rt
并且定义了目标函数：
当At>0时，希望增大动作概率，也就是让rt增大，但是由于目标函数的限制，rt最多增加到1+ϵ，当rt>1+ϵ，目标函数J(θ)=（1+ϵ）At，这是一个常数，对θ求导后梯度为0，抑制rt继续增大；
同理，At<0时，rt也存在下域值1-ϵ
（PPO对所有的动作都设置了rt∈[1−ϵ,1+ϵ]，但只有当 At>0 时，梯度让概率增大，此时上界会生效；当 At<0 时，梯度让概率减小，此时下界会生效）
这样，PPO就实现了将模型更新的比率rt控制在[1-ϵ,1+ϵ],使得策略更新过程不会剧烈偏移，训练更平滑