详细研究了深度Q-学习算法，它形成了深度Q网络（DQN）的基础这可能是当今强化学习中最具创新性的领域。这里将逐步介绍DQN，包括一些改变游戏规则的创新，如体验回放，以准确了解它们是如何帮助dqn在首次引入时实现世界一流的结果的。

一个最优控制的matlab软件包，里面包含了各种最优控制算法的实现，详见文件内m文件

附有论文，交通信号灯识别源程序。采DDPG深度强化学习方法。给出了LOSS损失函数图像

PyTorch中的RAHGCN 1.概述 该存储库是PyTorch中通过强化学习（RAHGCN）实现的自适应双曲图卷积神经网络。 下游任务包括： 链接预测（ lp ） 节点分类（ nc ） 2.设定 2.1下载代码 首先从Github下载源代码。 git clone git@github.com:fuxingcheng/RHGNN.git" cd rahgcn 2.2启动虚拟环境 我们建议在虚拟环境中设置我们的项目。 您可以选择conda或virtualenv来创建和管理虚拟环境。 如果您尚未安装conda，请按照的说明进行安装。 如果尚未安装virtualenv，则只需运行pip3 install virtualenv 。 对于conda ： conda env create -f environment.yml python=3.6 source activate ra

机器学习课程笔记（第一章的第一节和第二节）机器学习的概念和分类

描述离散系统最优控制，包含泛函数，离散LQR问题等内容

本论文工作研究了深度学习，强化学习，深度强化学习，计算机围棋四者之间的关系，从而设计出一套成熟的计算机深度强化学习系统

python编写，即跑即用，no bugs，有训练好的model。 使用蒙特卡洛树搜索与深度神经网络来设计一种基于强化学习的AI五子棋算法，实现了从零开始学习五子棋博弈的人工智能算法。

车辆系统动力学主动悬架线性最优控制（LQG）程序，在simulink环境下仿真计算出路面输入下的最优主动悬架性能，并于传动被动悬架作出对比

使用MATLAB/simulink创建悬架模型，设计LQG最优控制器，进行汽车主动悬架最优控制。