分布式DRL 分布式深度强化学习 该框架的灵感来自OpenAI的通用RL培训系统Rapid 。 快速框架： 我们的框架： 教程 该框架将强化学习过程分为五个部分： 重播缓冲区（选项） 参数服务器 火车（学习） 推出 测试 @ ray . remote class ReplayBuffer : ... # replay buffer @ ray . remote class ParameterServer ( object ): ... # keep the newest network weights here # could pull and push the weights # also could save the weights to local @ ray . remote ( num_gpus = 1 ,

一种基于分布式强化学习的多智能体协调方法，通过协商协调合作完成复杂的控制任务。

资源包含《Reinforcement Learning: An Introduction》两个版本英文pdf/chm电子书和部分翻译资料。

清清华大学自动化系的教材《最优控制》，很好

可读，可重用，可扩展 Machin是为pytorch设计的增强库。 支持的型号 任何事物，包括循环网络。 支持的算法 当前，Machin已实现以下算法，该列表仍在增长： 单代理算法： 多主体算法： 大规模并行算法： 增强功能： 支持的算法： 进化策略 基于模型的方法 特征 1.可读 与其他强化学习库（例如著名的 ， 和。 Machin尝试仅提供RL算法的简单明了的实现。 Machin中的所有算法均以最小的抽象设计，并具有非常详细的文档以及各种有用的教程。 2.可重复使用 Machin采用与pytorch类似的方法，将算法和数据结构封装在自己的类中。 用户无需设置一系列data collectors ， trainers ， runners ， samplers ...即可使用它们，只需导入即可。 模型上的唯一限制是它们的输入/输出格式，但是，这些限制很小，可以轻松地使算法适

随机清洁机器人的基于模型的值迭代算法。 这段代码是值迭代算法的一个非常简单的实现，对于强化学习和动态规划领域的初学者来说，它是一个有用的起点。 随机清洁机器人 MDP：清洁机器人必须收集用过的罐子，还必须为电池充电。 状态描述了机器人的位置，动作描述了运动的方向。 机器人可以向左或向右移动。 第一个 (0) 和最后 (5) 个状态是终止状态。 目标是找到一个最优策略，使任何初始状态的回报最大化。 这里是 Q-iteration（基于模型的值迭代 DP）。 参考：算法 2-2，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien}， 年={2010}, 出版商={CRC Press}

学习+彭伟《揭秘深度强化学习》PDF+源代码+资料-附件资源

an introduction to reinforcement learning by Sutton 稳定稿哈哈哈哈哈哈哈哈

交易对 使用MATLAB代码生成结果和图表中的结果“具有绝对和相对库存惩罚的对交易策略的随机最优控制”（ ） 要运行的主要脚本是main_script.m

TensorFlow2中的深度强化学习 是一个使用实现各种流行的深度强化学习算法的存储库。 该存储库的关键是易于理解的代码。 因此，如果您是学生或研究深度强化学习的研究人员，我认为这是使用此存储库学习的最佳选择。 一种算法仅依赖于一个python脚本文件。 因此，您不必进出不同的文件即可研究特定的算法。 该存储库将不断更新，并将继续添加新的“深度强化学习”算法。 演算法 DQN 纸上 作者Volodymyr Mnih，Koray Kavukcuoglu，David Silver，Alex Graves，Ioannis Antonoglou，Daan Wierstra，Martin Rie