介绍：
- 核心思想主要是利用多线程的方法，让多个环境并行的运行，在探索性策略的情况下，让agent能够在每一个step都有更多的探索性，尽快找到最优策略。
- 抛弃DQN，DDPG，等算法中的replay buffer，采用on-line的方式学习。replay buffer会将数据存储起来供学习，其数据来源于旧的policy，on-line的方式的数据来自于刚刚更新的新policy。
- 在多线程的情况下，每个agent有独立的环境，也面对不同的state，在多核cpu上，每个agent以不同的策略独立探索，大大增加了数据的多样性，同时数据天然的是相互独立的。
- 网络参数是在线程之间异步更新的，而且是Lock free的，不需要互斥。
该方法可以用在不同的算法上，论文中介绍了四种算法的异步应用：
Async Q-Learning和Async n-Step Q-Learning：
在主线程上维护一个统一的global net，每个线程有独立的local net。当线程内满足terminal或特定步数后，更新local net。当所有线程的总步数满足特定条件后，将local net的参数复制给global net。
在n-step Q-Learning中，线手机n步的数据，再更新参数。这里n-step的最后一步的return计算方式和中间步骤的计算方式不太一样，最后一步是
而中间步是：
且需要每一步累计梯度。
Async one-Step SARSA和Async n-Step SARSA
和Async Q-Learning基本差不多，主要是把TD-target从变成了
Async Advantage Actor-critic
一个global的公共critic用来输出q-value，一个global的公共actor用来输出policy
这里也采用了n-step的方法，先收集一部分数据。也因此在更新过程中，它的优势函数就用
代替了标准A2C算法中的
同时，将策略的entropy添加的目标函数中，可以组织网络过早的收敛到次优解，从而改善探索性。包含entropy的目标函数是：
其中H就是策略的entropy，超参数β控制熵正则化项的强度。
