trpo

20200906: 拖延半年多没有整理笔记，将剩下的内容整理到单独的笔记中。 Actor：可以感知环境中的状态，通过执行不同的动作得到反馈的奖励，在此基础上进行学习优化。 Environment：指除 Actor 之外的所有事务，受 Actor 动作影响而改变其状态，并给 Actor 对应的奖励