在强化学习的世界里，智能体与环境的交互核心是 “动作选择”。当面对离散动作空间（如围棋的落子点、游戏的按键操作）时，智能体可以直接枚举或概率选择有限的动作；但在连续动作空间中（如机器人关节角度、无人机加速度、温度控制的数值），动作是无限的，智能体如何 “输出” 动作就成了关键问题。

今天我们就聚焦连续空间强化学习中策略的两种核心输出形式：随机策略（输出概率分布参数） 与确定性策略（输出具体动作值），看看它们如何平衡 “探索未知” 与 “利用已知”，以及各自在实际场景中的应用逻辑。

一、随机策略：用概率分布拥抱不确定性

随机策略的核心哲学是：不直接给出 “最优动作”，而是描述 “动作的可能性”。通过概率分布的随机性，智能体既能大概率选择已知较好的动作，又能小概率尝试新动作，自然实现探索与利用的平衡。

1. 为什么是概率分布？

连续空间的动作是无限的（比如 “室内温度调节” 可以是 18.5℃、23.3℃等任意值）。如果智能体每次都输出一个固定动作，很容易陷入 “局部最优”—— 比如一直用 22℃，却不知道 21.5℃能更节能。

概率分布则像一个 “灵活的指南针”：

• 大概率指向已知较好的动作（利用）；

• 小概率覆盖其他可能（探索）。

  随着训练深入，分布会逐渐向最优动作收缩，实现 “从探索到收敛” 的过程。

2. 概率分布的参数：以高斯分布为例

连续空间中最常用的是高斯分布（正态分布），因为它能很好地描述连续数值的不确定性。策略网络的输出是高斯分布的两个核心参数：

• 均值（μ）：分布的中心，代表 “当前认为最可能最优的动作”（比如机械臂关节的目标角度 30°）；

• 标准差（σ）：分布的离散程度，代表 “探索范围”（σ 越大，动作采样越分散，探索性越强）。

举个例子：

在机械臂抓取任务中，策略网络输出 μ=30°（关节角度），σ=5°。此时智能体会从这个分布中采样动作，可能是 28°、32°、甚至 25°（但大概率集中在 30° 附近）。如果某次 28° 的动作成功抓取，后续训练会让 μ 向 28° 靠近，同时 σ 可能减小（减少无效探索）。

3. 实际场景：无人机姿态控制

无人机的 “俯仰角” 控制是典型的连续动作任务（范围 - 10°~10°）。采用随机策略时：

• 策略网络输出高斯分布参数 μ=2°，σ=1°；

• 实际动作从该分布中采样，可能是 1.8°、2.1°、甚至 2.5°；

• 若 2.1° 时无人机稳定性更好，奖励更高，网络会调整 μ 逐渐接近 2.1°，σ 缩小到 0.5°（聚焦更优动作）。

二、确定性策略：直接输出 “最优解”

确定性策略的逻辑更直接：在当前状态下，直接输出一个固定的动作值，即 “我认为这个动作就是最优的”。它不依赖随机性，而是通过外部机制实现探索。

1. 为什么需要确定性输出？

• 效率更高：无需采样和分布计算，直接输出动作，适合高维连续空间（比如 100 个关节的机器人）；

• 场景适配：某些任务的最优动作是 “确定的”（比如稳定行走的机器人，每个时刻的关节角度有明确最优值）。

2. 如何解决探索问题？

确定性策略本身没有随机性，若直接用输出动作，可能 “一条道走到黑”（比如一直用 22℃，永远发现不了 21.5℃的优势）。因此需要人工添加探索噪声：

• 比如在输出动作上叠加小幅度的随机噪声（如高斯噪声）；

• 训练初期噪声大（鼓励探索），后期噪声衰减（聚焦最优动作）。

3. 实际场景：自动驾驶的油门控制

自动驾驶中，“油门开度” 是连续动作（0~100%）。采用确定性策略时：

• 策略网络直接输出动作值 30%（当前认为最优的开度）；

• 实际执行时叠加 ±5% 的噪声，动作可能是 27%、32% 等；

• 若 32% 时加速更平稳（奖励更高），网络会调整参数，让输出逐渐向 32% 靠近；

• 训练后期噪声减小到 ±1%，最终稳定在最优值附近。

三、两种策略的核心区别与适用场景

维度	随机策略（输出分布参数）	确定性策略（输出具体动作值）
输出形式	概率分布参数（如高斯分布的 μ 和 σ）	具体动作值（如 30°、2.5m/s²）
随机性来源	内置（从分布中采样）	外部（人工添加噪声）
探索控制	通过标准差 σ 调整（σ 越大探索越强）	通过噪声幅度调整（初期大、后期小）
计算效率	较低（需采样和分布参数优化）	较高（直接输出动作）
典型算法	PPO、SAC、REINFORCE	DDPG、TD3
适用场景	复杂环境（如机械臂精细操作、游戏 AI）	高维动作空间（如多关节机器人）、最优动作稳定的场景

四、总结：没有 “最好”，只有 “最合适”

连续空间强化学习中，随机策略和确定性策略的核心目标都是找到 “最大化累积奖励的动作”，只是通过不同的输出形式平衡探索与利用：

• 随机策略用概率分布 “自然探索”，适合复杂、未知环境；

• 确定性策略用固定动作 “高效收敛”，依赖外部噪声探索，适合高维或最优动作明确的场景。

在实际应用中，选择哪种策略往往取决于任务特性（如动作维度、环境复杂度）。例如，机械臂装配任务常用 SAC（随机策略）处理精细操作，而多足机器人行走可能用 DDPG（确定性策略）提升效率。

随着强化学习的发展，两种策略的边界也在模糊（如 SAC 结合了随机策略的探索性和确定性策略的稳定性）。理解它们的底层逻辑，才能更好地选择和改进算法，让智能体在连续世界中更 “聪明” 地行动。

（注：文档为人类与 AI 共创）