SAC是一种actor-critic架构为基础的策略学习的强化学习

并不是基于策略梯度来更新策略网络，而是通过最大化奖励和熵来更新策略网络，是一种off-policy的强化学习

引入了最大熵和一个可学习的调节参数alpha来平衡探索与利用，设定一个熵阈值，如果小于阈值，增大alpha，提高探索

引入了soft策略评估和soft策略提升

同时还引入了两个Q网络和两个目标网络，减少了TD算法带来的更新的影响