多主体强化学习（MARL）
使用rllab通过量化在不同环境中执行的多个代理的随机梯度来开发强化学习。
实验室
rllab是用于开发和评估强化学习算法的框架。 它包括各种各样的连续控制任务以及以下算法的实现：
rllab与完全兼容。 有关说明和示例，请参见。
rllab仅正式支持Python 3.5+。 对于坐在Python 2上的rllab的旧快照，请使用。
rllab支持在EC2集群上运行强化学习实验以及用于可视化结果的工具。 有关详细信息，请参见。
主要模块使用作为基础框架，并且我们在下支持TensorFlow。
文献资料
在线提供了文档： https : //rllab.readthedocs.org/en/latest/ 。
引用rllab
如果您使用rllab进行学术研究，强烈建议您引用以下文章：
严端，陈曦，赖因·豪特霍夫特，约翰·舒尔曼，彼得·阿比尔。 “对
2022-03-18 18:31:48
10.24MB
1
SWRLAPI Drools引擎
基于的推理程序和SWRL规则引擎的实现。
可以在找到文档。
入门
该库提供了SWRL规则和SQWRL引擎实现。 有关使用说明，请参见。
引擎的依赖项信息可以在以下位置找到：
从源头建造
要构建此项目，您必须安装以下项目：
用于签出存储库的工具。
Apache的 。
获取最新代码的副本：
git clone https://github.com/protegeproject/swrlapi-drools-engine.git
转到swrlapi-drools-engine目录：
cd swrlapi-drools-engine
然后使用Maven构建它：
mvn clean install
构建完成后，本地Maven存储库将包含生成的swrlapi-drools-engine-$ {version} .jar文件。
该JAR由所使用
2022-02-26 15:11:41
167KB
1
Breakout-RL：使用带有CNN的DQN解决OpenAI Gym Env突破
2022-02-24 16:30:50
5KB
1
RTL8188EUS模块PCB板载天线(RL-UM12BTD-8188EUS-V1.1 3.3V)规格书
2022-02-12 01:20:42
3.91MB
1