使用强化学习和深度强化学习算法来优化基于无人机的蜂窝网络以获得更高的吞吐量

著名的强化学习算法 Proximal Policy Optimization 的另一种自定义实现，也称为 PPO

所有代码都是用Python 3编写的，并使用OpenAI Gym的RL环境。高级技术使用Tensorflow实现神经网络。 This repository provides code, exercises and solutions for popular Reinforcement Learning algorithms. These are meant to serve as a learning tool to complement the theoretical materials from Reinforcement Learning: An Introduction (2nd Edition) David Silver's Reinforcement Learning Course Each folder in corresponds to one or more chapters of the above textbook and/or course. In addition to exercises and solution, each folder als

概述 这是pytorch中基于模型的RL算法MBPO的重新实现，如下文所述：。 该代码基于的使用张量流集成模型重现了结果，但使用pytorch集成模型却表现出明显的性能下降。 这段代码使用pytorch重新实现了集成动力学模型，并缩小了差距。 转载结果 比较是在两个任务上完成的，而其他任务没有经过测试。 但是在经过测试的两个任务上，与官方的tensorflow代码相比，pytorch实现获得了类似的性能。 依存关系 MuJoCo 1.5和MuJoCo 2.0 用法 python main_mbpo.py --env_name'Walker2d-v2'--num_epoch 300 --model_type'pytorch' python main_mbpo.py --env_name'Hopper-v2'--num_epoch 300 --model_type'pytorch' 参考

基于python的强化学习算法Q-learning设计与实现

基于Jupyter Notebook与python的深度强化学习算法Deep Q Learning

基于Jupyter Notebook与python的深度强化学习算法Double DQN Solution

基于python的深度强化学习算法Deep Q Learning实现

吃豆子RL 应用于 Pacman 游戏的强化学习算法。 Pacman 游戏是为 Udacity 类 ud820的结果。 可以在qlearningAgents.py文件中找到学习器。 跑步 python pacman.py -p PacmanQAgent -x 800 -n 810 -l smallGrid -l参数可以更改为使用其他地图（在布局文件夹中可用）。 -p参数可以更改为使用其他类型的 q-learner。 -x设置训练示例的数量。 -n设置示例总数（训练 + 测试） 学习者 PacmanQAgent：基本的 Q 学习代理。 它使用完整状态（整个地图），因此在使用大地图时不会缩放。 运行： python pacman.py -g DirectionalGhost -p PacmanQAgent -x 800 -n 810 -l smallGrid Approxi

里面是我自己的强化学习笔记。参考自刘建平老师的强化学习博客，再加上自己的理解，通俗易懂。里面包含了强化学习model-free的经典论文（Q-learning、SARSA、TD(lambda)、DQN、DDQN、prioritized replay DQN、Dueling DQN、policy gradient、AC、A2C、A3C、DDPG、TD3、TRPO、PPO），能帮助你快速入门强化学习。除了有算法的公式，还有我自己的理解，以及要理解算法所需要的一些基础知识，算法的流程图，都写在了里面，绝对生动形象，通俗易懂。