FERPO：基于前向熵正则化的强化学习策略优化算法

研究人员提出在线同策略最大熵强化学习算法 FERPO，无需对 critic 进行动作求导即可直接利用其预测价值改进策略。该算法结合熵与 KL 散度推导最优目标动作分布，通过最小化前向 KL（forward-KL）目标促使策略覆盖多个高价值模式以增强探索。