本文来自于网络，本文主要介绍了如何用深度强化学习来展示TensorFlow2.0的强大特性，希望对您的学习有所帮助。在本教程中，我将通过实施AdvantageActor-Critic(演员-评论家，A2C)代理来解决经典的CartPole-v0环境，通过深度强化学习（DRL）展示即将推出的TensorFlow2.0特性。虽然我们的目标是展示TensorFlow2.0，但我将尽最大努力让DRL的讲解更加平易近人，包括对该领域的简要概述。事实上，由于2.0版本的焦点是让开发人员的生活变得更轻松，所以我认为现在是使用TensorFlow进入DRL的好时机，本文用到的例子的源代码不到150行！代码可以

改代码对应的文章：Multi-Agent Deep Reinforcement Learning for Task Offloading in Group Distributed Manufacturing Systems（资源里包含PDF文章） 含有可运行的pytorch代码，调试多次，实测可运行 包括大规模数据集用来仿真实验 算法：多智能体深度强化学习 Actor-Critic

开源多智能体编队避障控制 基于在线学习的方法 躲避障碍物和移动的攻击者

本文来自于csdn，文章详细介绍了强化学习的概念，区别以及主要算法等相关知识。虽然是周末，也保持充电，今天来看看强化学习，不过不是要用它来玩游戏，而是觉得它在制造业，库存，电商，广告，推荐，金融，医疗等与我们生活息息相关的领域也有很好的应用，当然要了解一下了。 本文结构： 定义 和监督式学习,非监督式学习的区别 主要算法和类别

强化学习算法合集（DQN、DDPG、SAC、TD3、MADDPG、QMIX等等）内涵20+强化学习经典算法代码。对应使用教程什么的参考博客： 多智能体（前沿算法+原理） https://blog.csdn.net/sinat_39620217/article/details/115299073?spm=1001.2014.3001.5502 强化学习基础篇（单智能体算法） https://blog.csdn.net/sinat_39620217/category_10940146.html

由于现实世界中并不能获取全部的state以及全部的action，因此值迭代方法在很多问题上还是会有局限性。这时用到的就是Q Learning方法了

《21个项目玩转深度学习-基于tensorflow的实战详解》项目20源码，深度强化学习：Deep Q learning

强化学习2020版，英文，带目录

在本文中，我们提出了一个多路径DP模型来解决路径规划问题，并证明了它能够在仅使用有限信息作为输入的情况下，找到能够以最短行程时间规划车辆路径的最优策略。我们可以对所提出的方法得出一些结论。 首先，通过在奖励函数中引入距离贡献指数DC I，我们的方法确保了代理可以选择更好的动作，并避免不必要的迂回。 第二，我们的方法不仅生成最优路径，而且生成每个交叉口的驾驶策略。这项政策可以为车辆的最佳路线提供几个可比较的替代方案，从而将交通分流到不同的路线，从而缓解拥堵漂移问题。请注意，介绍部分中提到的所有方法只输出一个

用深度强化学习的方法实现频谱共享。频谱资源是一种有限资源。在自适应的实现频谱共享方面，DRL与频谱共享结合是一个十分有潜力的方向。