يُعدّ خوارزمية "سُوفت أكتور-كرايتكس" (Soft Actor-Critic) واحدة من أحدث خوارزميات التعلم بالتعزيز المُستخدمة في البيئات ذات الإجراءات المستمرة، لكنها غير قابلة للتطبيق في البيئات ذات الإجراءات المنفصلة. ومع ذلك، فإن العديد من التطبيقات المهمة تتضمن إجراءات منفصلة، ولذلك نُقدّم نسخة بديلة من خوارزمية "سُوفت أكتور-كرايتكس" تُطبّق على البيئات ذات الإجراءات المنفصلة. ثم نُظهر أن هذه النسخة تُقدّم أداءً تنافسيًا مع النماذج المُحسّنة من أحدث الخوارزميات بدون تعزيز مُتعدد المُعاملات (hyperparameter tuning) في مجموعة من الألعاب من مجموعة أتاري (Atari suite).