DQN深度强化学习算法, 水下机器人姿态控制, python代码

A2C深度强化学习算法, 姿态控制, python代码

深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangular_flag: 2018年10月17日-在此更新中，大多数算法已得到改进，并添加了更多关于图的实验（DPPG除外）。 PPO现在支持atari游戏和mujoco-env 。 TRPO非常稳定，可以得到更好的结果！ :triangular_flag: 2019-07-15-在此更新中，不再需要为openai基准安装。 我在rl__utils模块中集成了有用的功能。 DDPG也重新实现，并支持更多结果。 自述文件已被修改。 代码结构也有微小的调整。 :triangular_flag: 201

OpenAI Baselines: 强化学习算法的高质量实现

这是从国外网站上找到的强化学习的源代码，和大家共同学习。

AI 发展日新月异 , 既单一最强 AI AlphaGo 划时代诞生后 , 通用 AI 也呼之欲出 , 而 AlphaZero 的横空出世 , 证明了通用 AI 这条路的可行性 . 从这一刻起 , 人类历史或将被改写 !

PyTorch实现的强化学习算法集

针对部分可观测马氏决策过程(POMDP) 中, 由于感知混淆现象的存在, 利用Sarsa 等算法得到的无记忆策 略可能发生振荡的现象, 研究了一种基于记忆的强化学习算法——CPnSarsa (K) 学习算法来解决该问题. 它通过重新 定义状态,A gent 结合观测历史来识别混淆状态. 将CPnSarsa (K) 算法应用到一些典型的POMDP, 最后得到的是最 优或近似最优策略. 与以往算法相比, 该算法的收敛速度有了很大提高.

pytorch框架，主要实现算法有Q-Learning，Sarsa，DQN，DQN-cnn，DoubleDQN，Hierarchical DQN，PG，A2C，SAC，PPO，DDPG，TD3等，能够满足GPU和CPU不同条件，实现模型保存，断点续训，测试结果绘图等，可在此框架魔改你的环境，相当不错。

强化学习算法，实现强化学习对网络资源的分配，目的是频谱利用最大化 强化学习算法，实现强化学习对网络资源的分配，目的是频谱利用最大化