基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的注释，已经在诸多项目中得到了实际应用。主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。

ISO 15622 智能交通系统-自适应巡航控制系统-性能要求和测试程序(中英文版)

针对内置式永磁同步电机(IPMSM)牵引系统机械参数时变、恒转矩区需高转矩输出、恒功率区需宽调速问题,运用非线性自适应控制理论,设计了一种电流滞环控制非线性自适应反步控制器。该非线性控制器在恒转矩区采用最大转矩比电流控制,提高转矩输出能力;在恒功率区采用弱磁控制策略,扩大调速范围;同时对电机参数摄动有较强的抑制能力,表现出较好的鲁棒性。仿真结果证明了IPMSM牵引系统非线性控制器的正确性和有效性。

DRL用于微电网能源管理 我们针对微电网的能源管理系统问题研究了各种深度强化学习算法的性能。 我们提出了一种新颖的微电网模型，该模型由风力涡轮发电机，储能系统，恒温控制负载，价格响应负载以及与主电网的连接组成。 拟议的能源管理系统旨在通过定义优先级资源，直接需求控制信号和电价来在不同的灵活性来源之间进行协调。 本文实现了七种深度强化学习算法，并进行了实证比较。 数值结果表明，不同的深度强化学习算法在收敛到最优策略的能力上存在显着差异。 通过将经验重播和第二个半确定性训练阶段添加到众所周知的“异步优势演员评论家”算法中，我们获得了更好的性能，并且在能效和经济价值方面收敛于高级策略。 有关此项目的更多信息，访问： ：

LMS自适应波束形成MATLAB程序，使用LMS算法进行波束形成

强化学习作为机器学习及人工智能领域的一种重要方法，在游戏、自动驾驶、机器人路线规划等领域得到了广泛的应用。

该电路可以实现在数字量输入信号的高电平处于5~36V之间波动时，稳定的判别信号，并且既保证光耦的输入侧电流安全，又保证光耦对输入信号准确判别。

针对一类多关节机器鱼推进速度的调节, 提出一种运动学建模与控制匹配设计的新方法. 以可控性为目标, 建立了基于能量转化系数的鱼尾摆动规律与推进速度性能参考(SSPR) 模型, 系统已知参数把能量转化率收敛到一个可控可调节范围. 自适应迭代学习控制策略与之匹配, 能适时辨识并周期性地更新该模型的能量转化系数, 实现机器鱼在陌生水环境中的推进速度自调节. 仿真分析验证了该模型和控制方法的正确性.

深入浅出强化学习：原理入门

易语言窗口组件自适应,可以自动依据窗口分辨率调整,易语言窗口自适应改变大小模块源码例程程序调用API函数，根据窗口消息值实现窗口组件的自适应大小。 ' 5>功能特点: ' A:简单,两个命令直接可以自定义改变组件自适应. ' B:代码格式规范,处女座最爱 ' C:纯数组操作,速度快效率高 ' D:支持模糊匹配组件标题,一次匹配多个组件设置 ' E:支持每个组件 左\顶\宽\高\右\底 的固定及自动设置,自定义方案丰富 ' F:支持获取组件大小位置信息,比例缩放组件 ' G:附带使用案例,简单明了