matlab三次样条插值函数代码样条函数 有助于平滑机器人系统轨迹的功能 线性样条-插补（梯形控制） 三次样条-三次函数或s曲线（轨迹不错，但计算量更大） 提供了MATLAB和C代码 麻省理工学院媒体实验室的生物机电一体化小组开展的工作

针对有路径总时长约束、载重量约束和电池容量约束的电动车路径优化问题（EVRP），考虑其途中可前往充电站充电的情境，构建以最小化路径总长度为目标的数学模型，提出一种基于强化学习的求解算法RL-EVRP。该算法用给定的分布生成训练数据，再通过策略梯度法训练模型，并保证在训练过程中路径合法即可。训练得到的模型可用于解决其他数据同分布的问题，无须重新训练。通过仿真实验及与其他算法的对比，表明RL-EVRP算法求解的路径总长度更短、车辆数更少，也表明强化学习可成功运用于较复杂的组合优化问题中。

考虑系统随机输入噪声与随机量测噪声的线性二次型的最优控制叫做线性二次高斯（Gauss）最优控制。这是一种输出反馈控制，对解决线性二次型最优控制问题更具有实用性

深度强化学习指南（与Keras和OpenAi体育馆一起使用） 使用Keras和OpenAi体育馆进行深度强化学习策略梯度方法的分步教程。 在这个简短的项目中，我们将使用强化学习算法（策略梯度方法-REINFORCE）训练神经网络玩Pong游戏。 如果要运行它，则只需克隆存储库，然后打开钢筋_learning_pong_keras_policy_gradients.ipynb ，然后阅读并运行笔记本 我们训练了一个简单的200个隐藏的神经元网络和一个卷积模型。 简单网络的示例播放： 简单网络玩游戏的视频（ ）： 卷积网络玩游戏的视频（ ）： 考虑到有限的时间和出于学习目的，我并不是要寻找一个受过良好训练的代理，但我希望这个项目可以帮助人们熟悉rl算法和keras的基本过程。 上面的视频花了3天时间让代理在慢速的计算机上学习。 为了获得生产结果，需要更多的培训和调整，这不是我

强化学习——OpenAI Gym——环境理解和显示 本文以CartPole为例。 新建Python文件，输入 import gym env = gym.make("CartPole-v0") # 定义使用gym库中的环境：CartPole env = env.unwrapped # 打开包装 # 以上两句可换成 env = gym.make('CartPole-v0').unwrapped print(env.action_space) # 动作空间，输出的内容看不懂 print(en

2017-2018年机器学习顶会优质论文集合 包含ACL EMNLP AAAI等优质会议期刊上的推荐论文集 涉及自然语言处理、推荐系统、强化学习等领域

RL_in_Finance 强化学习在量化金融上的应用

Q-learning 算法案例，在一个8×8表格内从初始状态，通过算法找到一条距离设定目标的最短路径。本案例通过C语言实现。（强化学习与深度学习通过C语言模拟书中的案例）

从最基本开始讲的线性最优控制，通俗易懂，自己看了之后感觉不错，给大家分享一下！

动态规划与最优控制模型是数学建模中常用的工具