Keras的深度强化学习 它是什么？ keras-rl在Python中实现了一些最先进的深度强化学习算法，并与深度学习库无缝集成。 此外， keras-rl可与一起使用。 这意味着评估和使用不同算法很容易。 当然，您可以根据自己的需要扩展keras-rl 。 您可以使用内置的Keras回调和指标，也可以定义自己的回调和指标。 更重要的是，只需扩展一些简单的抽象类，即可轻松实现自己的环境甚至算法。 文档可。 包含什么？ 到目前为止，已实现以下算法： 深度Q学习（DQN） ， Double DQN 深度确定性策略梯度（DDPG） 连续DQN（CDQN或NAF） 交叉熵方

基于深度强化学习的混合动力汽车能量管理策略

:chart_increasing:如何用深度强化学习自动炒股 :light_bulb:初衷 最近发生的事故，受到新冠疫情的影响，股市接连下降，作为一棵小白菜兼小韭菜，竟然产生了抄底的大胆想法，拿出仅存的一点私房钱梭哈了一把。 第二天，暴跌，俺加仓 第三天，又跌，俺加仓 第三天，又跌，俺又加仓... 一番错误操作后，结果严重不堪重负，第一次买股票就被股市一段暴打，受到了媳妇无情的嘲讽。痛定思痛，俺决定换一个思路：如何用深度强化学习来自动模拟炒股？实验验证一下能否获得收益。 :open_book:监督学习与强化学习的区别 监督学习（如LSTM）可以根据各种历史数据来预测未来的股票的价格，判断股票是涨还是跌，帮助人做决策。 而强化学习是机器学习的另一个分支，在决策的时候采取适当的行动（Action）使最后的奖励最大化。与监督学习预测未来的数值不同，强化学习根据输入的状态（如当日开盘价，收盘价等），输出系列动作（例如：买进，持有，卖出），从而最后的收益最大化，实现自

近年来,深度强化学习的取得了飞速发展,为了提高深度强化学习处理高维状态空间或动态复杂环境的能力,研究者将记忆增强型神经网络引入到深度强化学习,并提出了不同的记忆增强型深度强化学习算法,记忆增强型深度强化学习已成为当前的研究热点.

【兰德公司报告】通过机器学习获得空中优势—人工智能辅助任务规划的初步探索 Air Dominance Through Machine Learning：A Preliminary Exploration of Artificial Intelligence–Assisted Mission Planning

DRL_Navigation Udacity深度强化学习课程的第一个项目 ## Setup环境此项目是由Anaconda开发的，建议在使用它的同时进行相同的操作。 要创建新的conda环境，请运行以下conda create --name drlnd python = 3.6 出现提示时继续。 Conda应该安装所有必需的软件包。 激活环境：conda activate drlnd 使用以下命令安装正确版本的pytorch： conda install pytorch=0.4.0 -c pytorch 我们正在使用的环境仅在需要单独下载时才可用。 从下面的链接之一下载环境。 您只需要选择与您的操作系统匹配的环境： Linux： Mac OSX： Windows（32位）： Windows（64位）： 解压缩刚刚下载的环境，并将其包含的文件夹放置在与此存储库相同的目录中。

深度强化学习在通信和网络中的应用：一项调查

深度强化学习系列论文，包括最基础的DQN，DQN模型改进，DQN算法改进，分层DRL，基于策略梯度的深度强化学习等等，论文基本源自顶会

深度强化学习是深度学习算法和强化学习算法的巧妙结合, 它是一种新兴的通用人工智能算法技术, 也是机器学习的前沿技术, DRL算法潜力无限, AlphaGo是目前该算法最成功的使用案例。DRL算法以马尔科夫决策过程为基础, 是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。深度强化学习算法主要包括基于动态规划 (DP) 的算法以及基于策略优化的算法, 这本书共10章, 首先以AlphaGo在围棋大战的伟大事迹开始, 引起对人工智能发展和现状的介绍, 进而介绍深度强化学习的基本知识。然后分别介绍了强化学习 (重点介绍蒙特卡洛算法和时序差分算法) 和深度学习的基础知识、功能神经网络层、卷积神经网络 (CNN)、循环神经网络 (RNN), 以及深度强化学习的理论基础和当前主流的算法框架。最后介绍了深度强化学习在不同领域的几个应用实例。