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

不用强化学习工具箱的DQN算法案例与matlab代码，方便大家学习使用。可以在此基础上直接更改编写自己的项目

本项目采用MATLAB语言搭建cartPole问题环境以及手动实现DQN算法能够很好的解决控制小车的平衡一类问题，其目的是帮助初学者很好地理解DQN算法。

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。

my_PDQN:我的纸张Parameterized-DQN代码

TensorFlow中的深度强化学习 TensorFlow实施深度强化学习论文。 该实现包含： [1] [2][3][4][5]（进行中） [6]（正在进行中） [7]（进行中） [8]（正在进行中） 要求 Python 2.7 或 用法 首先，使用以下命令安装必备组件： $ pip install -U 'gym[all]' tqdm scipy 不要忘了还要安装最新的 。 还请注意，您需要安装所需的依赖项gym[all] 在没有gpu的情况下使用所述的DQN模型进行训练： $ python main.py --network_header_type=nips --env_na

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

turtlebot3强化学习避障，包括DQN， DDPG，PPO，SAC。 转载地址 https://github.com/Crawford-fang/ROS_pytorch_RL/tree/main/DQN 我就用过DQN，里面有很多需要修改的地方。主要是包括路径的代码，改成自己的路径。还有神经网络输入数量有错，需要和雷达接收到的数据维度一致。还有存储空间有错，大小应该为两倍输入数据的大小加上奖励数据和动作数据的大小。代码可用于其他环境和雷达小车

DoubleDQN_turtlebot2 基于ROS的TurtleBot 2机器人的双重DQN实现 这是Turtlebot 2机器人上Double DQN算法的实现。 Python解释器：Python 3.6 ROS版本：ROS Melodic凉亭：凉亭9您还需要安装openai_ros ROS软件包（ ），以访问基于开放AI的环境和用于训练机器人的命令。 您可以按照ROS的本教程进行设置： ://wiki.ros.org/openai_ros/TurtleBot2 with openai_ros安装在TurtleBot机器人顶部的激光扫描仪用于训练机器人，并且也可以扩展它仅对相机图像进行了微小的更改，但是，我不会在此代码中显示出来。 下面是您将需要的python软件包列表（通过conda列表生成），我建议使用这些库创建一个Conda环境，以实现平稳运行。 _libgcc

Playing Flappy Bird Using Deep Reinforcement Learning (Based on Deep Q Learning DQN)