使用Pytorch实现的深度RL算法 算法列表： 关于深入探讨 实验结果： 算法 离散环境：LunarLander-v2 连续环境：Pendulum-v0 DQN -- VPG -- DDPG -- TD3 -- SAC -- PPO -- 用法： 只需直接运行文件/算法。 在我学习算法时，它们之间没有通用的结构。 不同的算法来自不同的来源。 资源： 未来的项目： 如果有时间，我将为使用RL的电梯添加一个简单的程序。 更好的图形

整理了强化学习入门时必看的论文，主要是有关DQN算法的，致力于强化学习的小伙伴应该必看这些论文的

为实现车辆终端用户任务执行时延与处理速率、能耗的最佳均衡关系，针对车联网的边缘接入环境，提出了一种基于深度 Q 网络（DQN）的计算任务分发卸载算法。首先根据层次分析法对不同车辆终端的计算任务进行优先级划分，从而为计算任务处理速率赋予不同的权重建立关系模型；然后引入基于深度Q网络的边缘计算方法，以计算任务处理速率加权和为优化目标建立任务卸载模型；最后建立基于 DQN 的车辆终端自主最优任务卸载策略，最大化卸载决策制定模型的长期效用。仿真结果表明，相比Q学习算法，所提算法有效提高了任务执行效率。

海防环境的导弹目标选择任务 流程介绍：敌方舰艇以固定阵型排列，我方18枚导弹依次选择攻击目标并以直线轨迹攻击，攻击过程中若进入防御舰艇的防御长度内则有一定几率被拦截，舰艇被攻击一定次数后死亡，同样的，可以根据任务需求，通过改变不同类型的舰艇艇的价值来调整导弹攻击的侧重点，综上，需要合理选择攻击目标和攻击并以预期的伤害最大化 状态空间定义为18个导弹的目标选择，初始化为[-1] * 18，每进行一个步骤填进去一个动作（攻击目标）动作空间定义为可以选择的舰艇数量，如果有7个舰艇则动作空格〜[0，6]，只能取整数 固定阵型默认类型，如下所示，可在配置文件夹中设计新的阵型 导弹双重两种攻击方式： 位置攻击：18个导弹排成两排，位置固定，按照编号顺序选择攻击目标 角度攻击：每个导弹首先选择攻击目标，然后根据角度偏向确定自己的发射位置 文件：train.py：训练文件，负责训练DQN生成指定环境指定

使用PyTorch和Unity ML-Agent进行深度Q网络（DQN）强化学习 一个简单的示例，说明如何使用PyTorch和ML-Agents环境实现基于矢量的DQN。 深度强化学习（DRL）中的Udacity Danaodgree项目 该存储库包含以下与DQN相关的文件： dqn_agent.py-> dqn-agent实现 replay_memory.py-> dqn-agent的重播缓冲区实现 model.py->用于基于向量的DQN学习的示例PyTorch神经网络 train.py->初始化并实施DQN代理的训练过程。 test.py->测试受过训练的DQN代理 根据Udacit

Atari Pong中的深度强化学习算法 概括 此应用程序的目标是找出深度Q学习（DQN）在OpenAI环境中对Pong的Atari 1600游戏有多准确和有效。 在DQN之上，测试了对相同算法的其他改进，包括多步DQN，Double DQN和Dueling DQN。 从下图可以看出，基本DQN仅需玩约110场游戏即可达到类似于人的准确性，而经过300场游戏即可达到极高的准确性。 此项目中考虑的DQN改进版本显示出效率和准确性方面的一些改进。 基本DQN：第1集与第216集 环保环境 Atari 1600仿真器由OpenAI制作，您可以在59种不同的游戏上测试您的强化算法。 使用深度强化学习，因为输入是当前帧（210x160x3）的RGB图片。 由于RGB图片的计算量太大，因此变成了灰度。 接下来是将图像缩减采样并将其剪切到可播放区域，该区域的大小为84x84x1。 灰度，下采样和裁剪

不用强化学习工具箱的DQN算法案例与matlab代码，方便大家学习使用。可以在此基础上直接更改编写自己的项目

DQN+PyTorch+gym倒立摆登山车源码&模型，博文https://blog.csdn.net/qq_33309098/article/details/104588035

强化学习算法DQN玩五子棋