包含若干强化学习电子版书籍和完整视频教程

深入浅出强化学习：原理入门 《深入浅出强化学习：原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理，覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手，将强化学习问题纳入到严谨的数学框架中，接着阐述了解决此类问题最基本的方法——动态规划方法，并从中总结出解决强化学习问题的基本思路：交互迭代策略评估和策略改善。基于这个思路，分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。 除了系统地介绍基本理论，书中还介绍了相应的数学基础和编程实例。因此，《深入浅出强化学习：原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。

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。

导航是移动机器人所需要的最基本的功能之一，允许它们从一个源穿越到一个目的地。传统的办法严重依赖于预先确定的地图的存在，这种地图的取得时间和劳力都很昂贵。另外，地图在获取时是准确的，而且由于环境的变化会随着时间的推移而退化。我们认为，获取高质量地图的严格要求从根本上限制了机器人系统在动态世界中的可实现性。本论文以无地图导航的范例为动力，以深度强化学习(DRL)的最新发展为灵感，探讨如何开发实用的机器人导航。

确定性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。 确定性清洁机器人 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 (1) 和最后 (6) 个状态是终止状态。 目标是找到一种最佳策略，以使任何初始状态的收益最大化。 这里是 Q-iteration（基于模型的值迭代 DP）。 参考：算法 2-1，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 Pre

two_prisoners.py

俄罗斯方块 使用深度强化学习的机器人。 演示版 经过一些训练后，首先获得10000分。 它是如何工作的 强化学习 首先，代理将进行随机移动，将状态和给定的奖励保存在有限的队列（重播内存）中。 在每个情节（游戏）结束时，代理将使用重播内存的随机样本来训练自己（使用神经网络）。 随着玩越来越多的游戏，代理变得越来越聪明，得分越来越高。 由于在强化学习中，一旦特工发现了良好的“路径”，它就会坚持下去，因此它也被视为探索变量（随时间而减小），因此特工有时会选择一种随机动作，而不是它认为最佳的动作。 。 这样，它可以发现新的“路径”以获得更高的分数。 训练 培训基于。 相反，只使用所获得的当前状态，并奖励对网络进行训练的，它是用来Q学习（即认为从当前状态到未来的一个过渡），以找出什么是考虑到所有给定状态的最佳成绩未来的回报，即算法不是贪婪的。 这使代理可以采取一些可能无法立即获得回报的举动，因此以

强化学习课件，强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题 [1] 。 强化学习的常见模型是标准的马尔可夫决策过程（Markov Decision Process, MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-based RL）和无模式强化学习（model-free RL） [1] ，以及主动强化学习（active RL）和被动强化学习（passive RL） [2] 。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数（value function）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习。

sutton的强化学习第二版的答案

文献翻译，格式做的比较认真，公式图片都做了翻译，格式符合规范。适用于作业，课设，毕设文献翻译