RLContinuousActionSpace:在连续状态和动作空间中进行强化学习。 DDPG-源码

RLContinuousActionSpace 在连续状态和动作空间中进行强化学习。 DDPG：深度确定性策略梯度和A3C：异步Actor-Critic代理 注意：环境是随机填充的查找表和模拟物理模型的常量的任意组合。 1°DDPG： 基于带有深度强化学习的持续控制： ： 和来自精彩博客。 这种方法结合了DDQN算法（体验重播和目标网络）的优势以及可输出连续动作的行为者批评结构。 该算法首先在健身房开放式平台的pendulum-v0游戏中进行了验证，然后应用于定制的Envonement EnvPlant.py，模拟了温度模型： OU.py：探索是通过Ornstein-Uhlenbeck过程完成的，它具有便利的均值回复特性。 Models.py：演员，评论家和目标网络的神经网络 演员模型 批评模型 main.py：配置，训练，测试，显示，存储，加载 ReplayBuffer.py