当前版本： 请参阅以获取补丁说明 可从和获得 加入 Slack频道中的讨论！ 阅读有关开发的博客文章 提交问题这里或请求功能在这里 在这里找到我的游戏 关于思想 什么是蠕虫？ Screeps是面向程序员的MMO策略游戏。 核心目标是在此过程中扩大您的殖民地，收集资源并与其他玩家作战。 要控制您的单位，您可以使用JavaScript编写AI。 从移动，挖掘，建造，战斗到交易的所有一切都完全由您的代码驱动。 因为Screeps是MMO，所以它发生在运行24/7的一台服务器上，该服务器由其他所有玩家及其小兵组成。 当您注销时，无论设置什么任务，您的人群都会继续嗡嗡作响。 漫长的时间让您的编程技巧与其他人并肩作战，以了解谁能想到完成任务的最有效方法或想像出击败敌人的新方法。 什么是主宰？ Overmind是我在公共服务器上运行的个人代码库。 AI的结构以星际争霸（Starcraft

排序算法中的分治策略.doc

网络技术-综合布线-基于广域测量信号的直流输电系统非线性调制策略研究.pdf

农村垃圾回收物流策略的实证研究.doc

华为交换机策略路由配置，适合旁挂路由器，安全网关等设备。

产品策略产品生命周期与新产品开发

企业信息化的实现策略

增强Learning_（ML）_PPO_Microwave滤波器调谐 制造的RF滤波器需要经过滤波器调谐过程，以保证性能而不影响性能 有许多因素，例如繁琐/困难的手动调整过程和过滤器特性，使过滤器调整过程更加复杂 机器学习方法用于缩短滤波器调优过程所花费的时间，提高调优结果的准确性 选择强化学习算法中的近端策略优化（PPO）作为其连续动作空间和连续控制任务中突出的发散速度 强化学习环境：HFSS（由PyCharm中的Python和IronPython脚本自动化） 应用操作后，状态（S 参数的距离）和奖励（距离之和）作为对代理的反馈 强化学习代理：PPO 代理（根据稳定基线 3 文档源代码修改） 代理学习并更新策略以提供要在环境中执行的最佳操作（HFSS 中的筛选器调整过程）

PyTorch实现软演员- 评论家（SAC），双胞胎延迟DDPG（TD3），演员评论家（AC / A2C），近端策略优化（PPO），QT-Opt，PointNet 流行的无模型强化学习算法 PyTorch 和 Tensorflow 2.0 在 Openai 健身房环境和自我实现的 Reacher 环境中实现了最先进的无模型强化学习算法。 算法包括： 演员兼评论家 （AC/A2C）; 软演员-评论家 （SAC）; 深度确定性策略梯度 （DDPG）; 双延迟 DDPG （TD3）; 近端策略优化; QT-Opt（包括交叉熵（CE）方法）; 点网; 运输机; 经常性政策梯度; 软决策树; 概率专家混合; QMIX Actor-Critic (AC/A2C); Soft Actor-Critic (SAC); Deep Deterministic Policy Gradient (DDPG); Twin Delayed DDPG (TD3); Proximal Policy Optimization (PPO); QT-Opt (including Cross-entropy (CE)

算法设计与分析实验报告，附已通过源码，供学习参考，共勉♪ 目录摘要如下： 1.问题描述 2.实验目的 3.实验原理 4.实验设计 （包括输入格式、算法、输出格式） 5.实验结果与分析 （除了截图外，实验结果还用图表进行了分析） 6.结论 7.程序源码