Ada-IRL Adaboost逆向强化学习 一种使用类似于Adaboost的I-Rl算法的方法。 RL 开始进行强化学习的测试演示。 python rl_test.py 内部收益率 开始进行逆向强化学习的测试演示。 python irl_test.py

黎卡提方程的解 随终点时间变化的黎卡提方程的解 线性二次型性能指标的最优控制

2016年初, AlphaGo战胜李世石成为人工智能的里程碑事件. 其核心技术深度强化学习受到人们的广泛关.注和研究, 取得了丰硕的理论和应用成果. 并进一步研发出算法形式更为简洁的AlphaGo Zero, 其采用完全不基于.人类经验的自学习算法, 完胜AlphaGo, 再一次刷新人们对深度强化学习的认知. 深度强化学习结合了深度学习和.强化学习的优势, 可以在复杂高维的状态动作空间中进行端到端的感知决策. 本文主要介绍了从AlphaGo到Alpha-.Go Zero的深度强化学习的研究进展. 首先回顾对深度强化学习的成功作出突出贡献的主要算法, 包括深度Q网络.算法、A3C算法, 策略梯度算法及其它算法的相应扩展. 然后给出AlphaGo Zero的详细介绍和讨论, 分析其对人工智.能的巨大推动作用. 并介绍了深度强化学习在游戏、机器人、自然语言处理、智能驾驶、智能医疗等领域的应用进.展, 以及相关资源进展. 最后探讨了深度强化学习的发展展望, 以及对其他潜在领域的人工智能发展的启发意义.

近年来，随着机器学习 (ML) 使用的大量增加，作为 ML 的一个分支的强化学习 (RL) 方法获得了巨大的吸引力，因为它解决了决策的学习自动化问题。时间。 在金融交易的情况下，许多方法如描述性、基本面和技术分析被用于做出股票投资决策。 本文旨在探索的另一种方法是深度 Q 学习，它也是处理金融交易中更实际问题的合适方法。 本文将列出的分析方法（描述性、技术性和深度 Q 学习）应用于苹果股票指数 (AAPL)。 该论文发现，这些技术对交易者有益，也有助于进行长期和短期交易投资。

rl迷宫 OpenAI体育馆中用于强化学习解决方案的迷宫环境

用于软件定义的网络路由优化的深度强化学习方法 ：乔治·（Giorgio Stampa），玛塔·阿里亚斯（Marta Arias），大卫·桑切斯·查尔斯（David Sanchez-Charles），维克多·芒特斯·穆勒（Victor Muntes-Mulero），阿尔伯特·卡贝洛斯（Albert Cabellos） 在本文中，我们设计和评估了可以优化路由的深度强化学习代理。 我们的代理会自动适应当前的流量状况，并提出量身定制的配置，以尽量减少网络延迟。 实验显示非常有前途的性能。 而且，相对于传统的优化算法，该方法具有重要的操作优势。 代码和数据集。 Keras和Deep确定性策略梯度可

强化学习在二十一点 用于玩二十一点变体的几种强化学习算法的实现 为了运行所有算法，只需运行 main.py。 这将执行 test_all_algorithms() 函数，该函数运行 MC、SARSA 和线性函数近似与 SARSA，并带有显示结果的图。 其他模块的详细信息： environment.py - 包含 step() 函数和环境的实现 rl_algorithms - 包含 MC、SARSA 和线性函数逼近 plotting.py - 包含绘制值函数、SARSA 和 LFA 结果的函数 policy.py - 放置策略的地方，目前只包含 epsilon 贪婪策略 Utility.py - 计算均方误差并将状态转换为 LFA 的特征向量

基于自适应动态规划的不确定性目标拦截微分博弈制导律设计

基于深度强化学习卡尔曼滤波锂离子电池 SOC 估计.pdf

强化学习资料（强化学习原理及其应用）