DQN-PyTorch 实现PyTorch 目录： 项目结构： ├── agents | └── dqn.py # the main training agent for the dqn ├── graphs | └── models | | └── dqn.py | └── losses | | └── huber_loss.py # contains huber loss definition ├── datasets # contains all dataloaders for the project ├── utils # utilities folder containing input extraction, replay memory, config parsing, etc | └── assets | └── replay_memory.py |

使用Python的强化学习算法 这是Packt发行的《 的代码库。 学习，理解和开发用于应对AI挑战的智能算法 这本书是关于什么的？ 强化学习（RL）是AI的流行和有前途的分支，涉及制作更智能的模型和代理，这些模型和代理可以根据不断变化的需求自动确定理想的行为。 本书将帮助您掌握RL算法并在构建自学习代理时了解其实现。 本书首先介绍了在RL环境中工作所需的工具，库和设置，然后介绍了RL的组成部分，并深入研究了基于价值的方法，例如Q学习和SARSA算法的应用。 您将学习如何结合使用Q学习和神经网络来解决复杂的问题。 此外，在继续使用DDPG和TD3确定性算法之前，您将研究策略梯度方法TRPO和PPO，以提高性能和稳定性。 本书还介绍了模仿学习技术的工作原理以及Dagger如何教代理人驾驶。 您将发现进化策略和黑盒优化技术，并了解它们如何改善RL算法。 最后，您将掌握诸如UCB和UCB1

深度_强化_学习

深度强化学习代码 当前，这里只有用于分布增强学习的代码。 C51，QR-DQN和IQN的代码与略有。 QUOTA是基于算法作者同的工作而实现的。 我最近注意到，我的DQN代码可能无法获得理想的性能，而其他代码却运行良好。 如果有人可以指出我的代码中的错误，我将不胜感激。 随时进行聊天-如果您想讨论任何事情，请给我发送电子邮件。 依赖关系： pytorch（> = 1.0.0） 体育馆（= 0.10.9） 麻木 matplotlib 用法： 为了运行我的代码，您需要在主目录下创建两个子目录：./data/model/＆./data/plots/。 这两个目录用于存储数据。 当计算机的python环境满足上述依赖性时，您可以运行代码。 例如，输入： python 3_ iqn . py Breakout 在命令行上运行以在Atari环境中运行算法。 您可以为代码内的算法更改一些特定参数。 训练后，您可以通过使用适当的参数运行result_show.py来绘制结果。 参考文献： 通过深度强化学习（DQN）进行人为控制[] [] 强化学习的分布式视角（C51）[] []

POMDP：基于部分可观察的马尔可夫决策过程实现RL算法

用于多无人机对抗的多主体强化学习算法 这是“在战斗任务中进行多智能体强化学习的有效培训技术”的源代码，我们构建了源自多个无人驾驶飞机的战斗场景的多智能体对抗环境。 首先，我们考虑使用两种类型的MARL算法来解决这一对抗问题。 一种是从用于多代理设置（MADQN）的经典深度Q网络扩展而来的。 另一个是从最新的多主体强化方法，多主体深度确定性策略梯度（MADDPG）扩展而来。 我们比较了两种方法的初始对抗情况，发现MADDPG的性能优于MADQN。 然后以MADDPG为基准，提出了三种有效的训练技术，即场景转移训练，自学训练和规则耦合训练。 规则耦合红色特工vs随机移动蓝色特工 规则耦合的红色特工和蓝色特工通过自我比赛训练