深度强化学习对比,对比了DDPG,PG以及TD3三种方法+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

PyTorch实现软演员- 评论家（SAC），双胞胎延迟DDPG（TD3），演员评论家（AC / A2C），近端策略优化（PPO），QT-Opt，PointNet 流行的无模型强化学习算法 PyTorch 和 Tensorflow 2.0 在 Openai 健身房环境和自我实现的 Reacher 环境中实现了最先进的无模型强化学习算法。 算法包括： 演员兼评论家 （AC/A2C）; 软演员-评论家 （SAC）; 深度确定性策略梯度 （DDPG）; 双延迟 DDPG （TD3）; 近端策略优化; QT-Opt（包括交叉熵（CE）方法）; 点网; 运输机; 经常性政策梯度; 软决策树; 概率专家混合; QMIX Actor-Critic (AC/A2C); Soft Actor-Critic (SAC); Deep Deterministic Policy Gradient (DDPG); Twin Delayed DDPG (TD3); Proximal Policy Optimization (PPO); QT-Opt (including Cross-entropy (CE)

基于深度强化学习的小球弹射控制系统仿真对比DDPG和TD3，matlab2021a仿真测试。

DDPG+HER+Expert Data + action clip的注释版本，有自己的注视，是一个机械臂抓取的项目，能够成功运行。

代码中包含13种强化学习算法，所调用的环境不仅包含gym下面的一些简单环境，还可以自己设计环境（简单的迷宫游戏），简洁明了，适合算法学习的同学使用，其中A3C与PPO还涉及了并行运算的算法。

股票买卖最佳时机leetcode DDPG-股市-测试 建立DDPG模型并在股票市场上进行测试 参考 原始论文中的代码 环境的灵感来自 DDPG 实施的灵感来自 数据集 15份2018年1月1日至2018年10月29日的股价数据，以分钟为单位记录，具有开盘、收盘、高、低、成交量特征，下载自，BATS全球市场。 基本设置 该操作包含现金头寸、15 只股票的多头头寸和 15 只股票的空头头寸。 每分钟观察一次股价数据，但每 7 分钟才行动一次。 在每个步骤中，除了原始的 (s, a, r, s') 之外，还收集了“推断步骤”的其他状态-动作对并存储在重放内存缓冲区中。 结果 这些模型采用时间序列滚动方案构建，使用上个月的数据构建 rl 模型并在下个月进行测试。 该模型在2018/02/01至2018/10/29期间达到14%的收益率，相比之下，采用统一买入15只股票并持有策略的收益率为5.6%，而采用业绩最佳买入策略的收益率为-16.8%上个月的库存。 ipython 笔记本中的更多详细信息。 股票市场中的 rl 模型可能非常不稳定，并且容易过度拟合。 该模型只在投资组合的很小部分进行买卖

PyRL-Pytorch中的强化学习框架 PyRL是深度强化学习研究的框架。 在PyTorch中实现了以下算法： （在制品） （WIP） （在制品） 该项目仍在积极开发中。 特征 模块化架构 在PyTorch中实现 可读代码 安装 git clone https://github.com/chaovven/pyrl.git pip3 install -r requirements.txt 我强烈建议使用conda环境进行实验。 其中一些示例使用MuJoCo物理模拟器。 有关设置MuJoCo的说明，请参见。 进行实验 示例1： TD3 python3 main.py --alg=td3 with env=InvertedPendulum-v2 默认参数存储在config/default.yaml ，其中所有实验都共享这些参数。 TD3的参数存储在文件config/algs

改进DDPG算法在自动驾驶中的应用-张斌

实验室 RL算法的某些实现主要使用pytorch。 目前已实施： DQN DDPG 资产净值 优势演员克里蒂 安装： git clone 跑步： 安装后，只需运行main.py

本文利用 Gym 对仿真环境进行注册，对 OpenScope 进行功能性改造，引入 成都双流机场最新进近区域内的固定点数据，包括各个扇区参数、进离场航线数据、进 近区管辖范围数据等，设计了简单的进近区 ATC 管制环境。该环境包括独立的进场、离 场情景，充分考虑了各种复杂情况下的冲突。其次，针对不同空域的复杂程度设计了相 应的冲突场景，如航路上的交叉冲突以及对头冲突，进、离场时的对头冲突、超越冲突 等，构建完备的冲突集。为了降低模型的复杂度，假设航空器在转弯过程中不考虑最小 转弯半径的限制。最后，考虑到解脱动作的连续性以及智能体状态的复杂性，本文以保 障飞行安全为前提，对航空器解脱策略进行研究。通过构建的空中交通管制仿真环境实 现智能体之间的交互训练任务，设计了冲突解脱模型的奖励函数，采用深度强化学习中 经典算法 DDPG 进行解脱策略的学习。仿真实验结果表明该算法对于多种冲突环境均 能够搜索到较优的解脱策略，冲突解脱成功率达到 89% 以上，可以作为管制员进行冲 突解脱的参考方案之一。