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。

ddpg_algorithm:ddpg算法的实现

ddpg源码

火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.yml source activate py_off 手动安装所有要求 用法 在配置文件中指定算法的参数，并在参数中指定日志目录/种子/设备 python examples/ppo_continuous_vec.py --config config/ppo_halfcheetah.json --seed 0 --device 0 --id ppo_halfcheetah 结帐示例文件夹以获取详细信息 目前包含： 政策上的方法： 加强 A2C（演员评论家） PPO（近端政策优化）

机器人手臂的深度学习 实现强化学习算法之一（DDPG深度确定性Ploicy梯度），以控制机械臂。 该项目的目标是从安装在机器人上，以电机命令在一个端对端方式的照相机来映射特征。 推介会： 有关该项目的演示文稿，可以在这里找到： 二手工具和技术： Python 2.7 TensorFlow 1.5.1 OpenCV Vrep RemoteAPI 皮塞里亚尔 任务： 在工作空间中到达对象： 环境文件： 算法实现： 遵循黑线： 环境文件： 算法实现：

RLContinuousActionSpace 在连续状态和动作空间中进行强化学习。 DDPG：深度确定性策略梯度和A3C：异步Actor-Critic代理 注意：环境是随机填充的查找表和模拟物理模型的常量的任意组合。 1°DDPG： 基于带有深度强化学习的持续控制： ： 和来自精彩博客。 这种方法结合了DDQN算法（体验重播和目标网络）的优势以及可输出连续动作的行为者批评结构。 该算法首先在健身房开放式平台的pendulum-v0游戏中进行了验证，然后应用于定制的Envonement EnvPlant.py，模拟了温度模型： OU.py：探索是通过Ornstein-Uhlenbeck过程完成的，它具有便利的均值回复特性。 Models.py：演员，评论家和目标网络的神经网络 演员模型 批评模型 main.py：配置，训练，测试，显示，存储，加载 ReplayBuffer.py

包括DP, MC, TD, TD-lambda, DQN, PG, AC, A3C, DDPG, Dyna_Q, Bandit, AlphaGoBangZero以及部分仿真游戏源码

DDPG调节PID参数

关于ddpg的例子，适合初学者对深度强化学习ddpg的认识和了解