用matlab2016a版本写了一个DQN算法实现了走迷宫的功能。资源里面附有说明文档，matlab程序基本上都有注释，可以直接运行。

DQN-Pytorch 在Pytorch中实现DQN

随着轨道交通网络规模的扩大和列车运营间隔的缩短，列车牵引能耗在快速增加。因此，通过优化列车的驾驶策略降低牵引能耗，对于轨道交通系统的节能减排具有重大意义。针对列车的驾驶策略优化问题，提出一种基于深度 Q 网络（DQN）的列车节能驾驶控制方法。首先介绍了传统的列车节能驾驶问题并构造其反问题，即通过分配最少的能耗达到规定运行时分。进一步将该问题转化为有限马尔可夫决策过程（MDP），通过设计状态动作值函数、定义动作策略选取方法等，构建基于 DQN 方法的列车节能驾驶控制方法。通过实际驾驶数据对DQN 进行训练，得到最优的状态动作值函数，并通过该值函数确定最优的能耗分配方案，从而得到最优驾驶策略。最后，以北京地铁亦庄线的实际运营数据设计了仿真算例，对方法的有效性进行验证，并对方法参数进行了敏感度分析。提出的方法可充分利用列车的驾驶数据提升驾驶策略，降低列车牵引能耗，对未来我国智慧城轨的发展具有一定的借鉴意义。

Q学习+Pytorch版本 实现奋斗的小鸟(FlappyBird)，解压直接运行，可以跑几十分钟不是问题

和声2 俄罗斯方块 带有深 Q 网络的俄罗斯方块。 在下面的 GIF 中，计算机设法清除了 1000 多行。 这个怎么运作 强化学习 用于确定在给定状态时应该采取什么行动来最大化奖励。 状态 我尝试了两种不同的状态类型以找到最合适的一种。 起初使用的是板的二维阵列，但结果证明这是不可行的，因为神经网络必须更加复杂才能开始检测任何模式。 最终，决定在潜在行动后使用基于董事会统计数据的状态。 将比较所有预测，但将使用具有最佳状态的动作。 之所以选择下面的一些统计数据是由于 Dellacherie 的算法。 名称 描述 Kong 一个完整单元格覆盖的空单元格数 着陆高度 添加最后一块的高度 侵蚀片细胞 （行已清除）×（从最后一块中删除的单元格） 行转换 水平单元格过渡次数 列转换 垂直单元格过渡的数量 累积井数 所有井的总和 颠簸 每列的高度差一共 总高度 每列的高度总和 行已清除 清除的行数 报酬 奖励基于原始的俄罗斯方块游戏，但也会在演员活着时给予奖励并在失败时获得奖励。 名称 报酬 活 +1 清除 1 行 +40 清除 2 行 +100 清除 3 行 +300 清除 4 行 +1200

基于平均神经网络参数的 DQN.pdf

基于Matter.js TensorFlow.js用DQN玩落球躲避游戏Demo

文献翻译，格式做的比较认真，公式图片都做了翻译，格式符合规范。适用于作业，课设，毕设文献翻译

状态：活动（在活动开发中，可能会发生重大更改） 该存储库将实现经典且最新的深度强化学习算法。 该存储库的目的是为人们提供清晰的pytorch代码，以供他们学习深度强化学习算法。 将来，将添加更多最先进的算法，并且还将保留现有代码。 要求 python <= 3.6 张量板 体育馆> = 0.10 火炬> = 0.4 请注意，tensorflow不支持python3.7 安装 pip install -r requirements.txt 如果失败： 安装健身房 pip install gym 安装pytorch please go to official webisite to install it: https://pytorch.org/ Recommend use Anaconda Virtual Environment to manage your packages 安装tensorboardX pip install tensorboardX pip install tensorflow==1.12 测试 cd Char10\ TD3/ python TD3

用keras来拟合二次函数，理论上可以拟合任意的函数