传统的强化学习（RL）使用回报（也称为累积随机奖励的期望值）来训练代理学习最佳策略。 但是，最近的研究表明，学习学习收益的分布要比学习其预期价值具有不同的优势，如在不同的RL任务中所见。 从使用传统RL的收益期望到分配RL收益分配的转变，为RL的动力学提供了新见解。 本文基于我们最近的研究RL量子方法的工作。 我们的工作使用量子神经网络实现了分位数回归（QR）分布Q学习。 该量子网络在具有不同分位数的网格世界环境中进行了评估，说明了其对算法学习的详细影响。 还将其与马尔可夫决策过程（MDP）链中的标准量子Q学习进行了比较，这表明量子QR分布Q学习比标准量子Q学习可以更有效地探索环境。 RL中的主要挑战是有效的勘探以及开发与勘探的平衡。 先前的工作表明，可以从分布的角度采取更多有益的措施。 我们的研究结果表明了其成功的另一个原因：分布式RL的性能增强可以部分归因于其有效探索环境的卓越能力。

matlab，强化学习MPC模型预测控制算法 基于强化学习+MPC模型预测控制算法的车辆变道轨迹跟踪控制MATLAB仿真 使用matlab2021a或者更高版本运行！！！！

本文来自于简书，本文章主要通过举例来论证机器学习算法，通过矩阵进行强化学习介绍。所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。如果Agent的某个行为策略导致环境正的奖赏(强化信号)，那么Agent以后产生这个行为策略的趋势便会加强-《百科》

本文来自于网络，本文主要介绍了如何用深度强化学习来展示TensorFlow2.0的强大特性，希望对您的学习有所帮助。在本教程中，我将通过实施AdvantageActor-Critic(演员-评论家，A2C)代理来解决经典的CartPole-v0环境，通过深度强化学习（DRL）展示即将推出的TensorFlow2.0特性。虽然我们的目标是展示TensorFlow2.0，但我将尽最大努力让DRL的讲解更加平易近人，包括对该领域的简要概述。事实上，由于2.0版本的焦点是让开发人员的生活变得更轻松，所以我认为现在是使用TensorFlow进入DRL的好时机，本文用到的例子的源代码不到150行！代码可以

改代码对应的文章：Multi-Agent Deep Reinforcement Learning for Task Offloading in Group Distributed Manufacturing Systems（资源里包含PDF文章） 含有可运行的pytorch代码，调试多次，实测可运行 包括大规模数据集用来仿真实验 算法：多智能体深度强化学习 Actor-Critic

开源多智能体编队避障控制 基于在线学习的方法 躲避障碍物和移动的攻击者

本文来自于csdn，文章详细介绍了强化学习的概念，区别以及主要算法等相关知识。虽然是周末，也保持充电，今天来看看强化学习，不过不是要用它来玩游戏，而是觉得它在制造业，库存，电商，广告，推荐，金融，医疗等与我们生活息息相关的领域也有很好的应用，当然要了解一下了。 本文结构： 定义 和监督式学习,非监督式学习的区别 主要算法和类别

强化学习算法合集（DQN、DDPG、SAC、TD3、MADDPG、QMIX等等）内涵20+强化学习经典算法代码。对应使用教程什么的参考博客： 多智能体（前沿算法+原理） https://blog.csdn.net/sinat_39620217/article/details/115299073?spm=1001.2014.3001.5502 强化学习基础篇（单智能体算法） https://blog.csdn.net/sinat_39620217/category_10940146.html

由于现实世界中并不能获取全部的state以及全部的action，因此值迭代方法在很多问题上还是会有局限性。这时用到的就是Q Learning方法了

《21个项目玩转深度学习-基于tensorflow的实战详解》项目20源码，深度强化学习：Deep Q learning