FERPO：前向熵正则化策略优化算法

FERPO（Forward Entropy-Regularized Policy Optimization）是一种在策略最大熵强化学习算法，无需对 critic 求动作梯度即可实现策略改进，通过熵与 KL 散度正则的目标动作分布并用 forward-KL 结合 SNIS 拟合 actor。