FlappyBirdRL 使用强化学习的Flappy Bird hack 您可以在此处查看游戏和算法的摘要！ 自己运行代码 代码并解压缩 打开终端并导航到该文件夹 cd ~/Downloads/FlappyBirdRL-master 使用python启动一个简单的服务器 python -m SimpleHTTPServer 8000 更多细节。 在浏览器中，导航到本地服务器的地址（默认为 ）。 故障排除 您启动服务器了吗？ 如果您刚刚打开index.html页面，则控制台中可能有关于原始请求的错误。 右键单击屏幕上的任意位置，单击“检查”，然后查看控制台。 是否存在以下错误？ 示例 Failed to load file:///Users/.../res/flappyAtlas/atlas.txt: Cross origin requests are only supported for protocol schemes: http, data, chrome, chrome-extension, https." ：该页面试图从磁盘加载文件，但是大多数现代浏览器将其阻

强化-深度学习-连续控制

Deep Reinforcement Learning深度强化学习Deep Reinforcement Learning, 2017

最近因为与深度学习结合，解决海量数据的泛化问题，取得了让⼈印象深刻 的成果。包括 DeepMind 的⾃动学习玩 ATARI 游戏，以及 AlphaGo 在围棋⼤赛中 战胜世界冠军等，其背后的强⼤武器就是深度强化学习技术。相对于 DeepMind 和学术界看重强化学习的前沿研究，阿⾥巴巴则将重点放在推动强化学习技术 输出及商业应⽤。在阿⾥移动电商平台中，⼈机交互的便捷，碎⽚化使⽤的普 遍性，页⾯切换的串⾏化，⽤户轨迹的可跟踪性等都要求我们的系统能够对变 幻莫测的⽤户⾏为以及瞬息万变的外部环境进⾏完整地建模。平台作为信息的 载体，需要在与消费者的互动过程中，根据对消费者（环境）的理解，及时调整 提供信息（商品、客服机器⼈的回答、路径选择等）的策略，从⽽最⼤化过程累 积收益（消费者在平台上的使⽤体验）。基于监督学习⽅式的信息提供⼿段，缺 少有效的探索能⼒，系统倾向于给消费者推送曾经发⽣过⾏为的信息单元（商 品、店铺或问题答案）。⽽强化学习作为⼀种有效的基于⽤户与系统交互过程建 模和最⼤化过程累积收益的学习⽅法，在⼀些阿⾥具体的业务场景中进⾏了很 好的实践并得到⼤规模应⽤。

我们将深度Q-Learning成功背后的理念与持续的 动作域。我们提出了一种基于确定性模型的无模型算法 可以在连续动作空间上操作的策略梯度。使用 同样的学习算法，网络结构和超参数，我们的算法 稳健地解决20多个模拟物理任务，包括经典 如手推车摆动、灵巧操作、腿部运动等问题 还有开车。我们的算法能够找到性能具有竞争力的策略 与那些发现的规划算法完全访问的动态 域及其衍生物的。我们进一步证明，对于许多 任务算法可以“端到端”学习策略：直接从原始像素输入。

A practical guide to mastering reinforcement learning algorithms using Keras Key Features: Build projects across robotics, gaming, and finance fields, putting reinforcement learning (RL) into action; Get to grips with Keras and practice on real-world unstructured datasets; Uncover advanced deep learning algorithms such as Monte Carlo, Markov Decision, and Q-learning.

Unity ML-Agents工具包 （）（） Unity Machine Learning Agents工具包（ML-Agents）是一个开放源代码项目，使游戏和模拟能够用作训练智能代理的环境。 我们提供最新算法的实现（基于PyTorch），使游戏开发人员和业余爱好者可以轻松地训练2D，3D和VR / AR游戏的智能代理。 研究人员还可以使用提供的易于使用的Python API通过强化学习，模仿学习，神经进化或任何其他方法来训练Agent。 这些训练有素的代理可以用于多种目的，包括控制NPC行为（在多种设置下，例如多代理和对抗），自动测试游戏版本并评估预发布的不同游戏设计决策。 ML-A

多臂赌博机介绍 强化学习入门 Reinforcement Learning

回购我们的硕士论文 阅读每个文件夹中的readme.md，以获取对论文不同部分的描述。

单糖 用Python实现的Type-1糖尿病模拟器，用于强化学习 该模拟器是FDA批准的的python实现，仅用于研究目的。 该模拟器包括30名虚拟患者，10名青少年，10名成人，10名儿童。 引用方式：谢金玉。 Simglucose v0.2.1（2018）[在线]。 可用： : 。 访问日期：年月日。 注意：simglucose仅支持python3。 动画片 CVGA绘图 BG跟踪图 风险指数统计 主要特点 仿真环境遵循和 API。 它在每个步骤都返回观察，奖励，完成，信息，这意味着模拟器已“加强学习”。 支持定制的奖励功能。 奖励功能是最近一小时血糖测量值的功能。 默认情况下，每个步骤的回报是risk[t-1] - risk[t] 。 risk[t]是定义的时间t的风险指数。 支持并行计算。 该模拟器使用并行模拟多位患者（您可以通过设置parallel=False来自