象棋学习者 新手尝试使用Gym-chess和tensorflow使用Python进行强化学习国际象棋机器人。 要开始训练，只需运行Chess_env.py 建议您的第一次培训课程使用“ training_method” 1快速用有用的培训数据填充存储库。 从那里前进到方法0，以快速学习执行随机移动机器人。 最终的训练方法是2，它将继续针对其自身的先前版本进行训练，直到无法继续改进为止。

线性二次型最优控制，专业性资料，ppt资料

OpenSpiel：游戏中强化学习的框架 OpenSpiel是用于一般强化学习和游戏中搜索/计划研究的环境和算法的集合。 OpenSpiel支持n玩家（单人和多人）零和，合作和一般和，单发和顺序，严格的回合和同时移动，完美和不完美的信息游戏，以及传统的多人环境例如（部分和完全可观察的）网格世界和社会困境。 OpenSpiel还包括用于分析学习动态和其他常见评估指标的工具。 游戏被表示为程序扩展形式的游戏，具有一些自然的扩展。 核心API和游戏以C ++实现，并公开给Python。 算法和工具都是用C ++和Python编写的。 swift子目录中还有一个纯Swift分支。 要在Google Colaboratory中尝试OpenSpiel，请参考open_spiel/colabs子目录或从开始。 指数 请在以下选项中选择： 有关核心概念，形式主义和术语的较长介绍，包括算法概述和一些结果，请参阅《 。 有关OpenSpiel的概述以及核心API的示例用法，请参见教程演示幻灯片： 。 如果您在研究中使用OpenSpiel，请使用以下BibTeX引用该论文： @article{

本文来自于csdn，本文中通过探讨状态空间的利用和探索，来进行人工智能中的强化学习。在有监督学习（supervisedlearning）中，训练数据中包含了数据样本的目标。不过现实中可没有上帝一样的监督者给出这些目标或答案！强化学习（reinforcementlearning）是人工智能（AI）的一个重要分支，它也是DeepMind的阿尔法狗（AplhaGo）得以实现的一块基石。在强化学习中，虽然没有现成的答案，但是代理（agent）仍然必须决定如何行动（action）来完成它自己的任务。在没有训练数据的情况下，代理从经验中学习。它通过反复的试错来收集训练样本（“这个动作很好，那个动作很糟糕”

健身搏击 使用OpenAI环境工具包的战舰环境。 基本 制作并初始化环境： import gym import gym_battleship env = gym.make('battleship-v0') env.reset() 获取动作空间和观察空间： ACTION_SPACE = env.action_space.n OBSERVATION_SPACE = env.observation_space.shape[0] 运行一个随机代理： for i in range(10): env.step(env.action_space.sample()) 观察隐藏的游戏状态： print(env.board_generated) 有效动作 有两种输入动作的方法。 第一种方法是按原样输入元组： env = gym.make('battleship-v0') env.reset(

绝对可以用的二级倒立摆模型。simulink建模，matlab编写s函数，使用lqr最优控制亲测可用， 谢谢支持。

一个可用于为矩阵乘法等基本任务发现新颖、高效且可证明正确的算法的人工智能系统

多智能体强化学习pymarl框架和smac环境以及安装包

2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。 奥图纳 Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。它具有命令式，按运行定义样式的用户API。多亏了我们的运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 还有就是如何使用这个库指南。 Numba 是一种开源JI

Snake-AI：使用深度强化学习训练的Snake游戏