Reinforcement Learning Toolbox™提供了一个应用程序、函数和Simulink万博1manbetx®block用于使用强化学习算法的训练策略,包括DQN、PPO、SAC和DDPG。您可以使用这些策略为复杂的应用程序(如资源分配、机器人和自治系统)实现控制器和决策算法。
这个工具箱允许您使用深度神经网络或查询表来表示策略和值函数,并通过与MATLAB中建模的环境进行交互来训练它们®或仿真万博1manbetx软件。您可以评估工具箱中提供的单或多智能体强化学习算法,或开发自己的算法。您可以试验超参数设置,监控训练进度,并通过应用程序交互或编程模拟训练过的代理。为了提高训练性能,模拟可以在多个cpu、gpu、计算机集群和云上并行运行(使用并行计算工具箱™和)MATLAB并行服务器™).
通过ONNX™模型格式,现有的策略可以从深度学习框架导入,如TensorFlow™Keras和PyTorch(使用深度学习工具箱™)。你可以生成优化的C, c++和CUDA®代码在微控制器和gpu上部署经过培训的政策。工具箱包括参考示例,以帮助您开始。
在MATLAB中训练Q-learning和SARSA agent来求解网格世界。
在一般马尔可夫决策过程环境中训练强化学习代理。
使用强化学习和在Simulink中建模的工厂作为训练环境来训练控制器。万博1manbetx
使用Reinforcement Learning Designer应用程序设计并训练一个车杆系统的DQN代理。
强化学习是一种目标导向的计算方法,计算机通过与不确定的动态环境交互来学习执行任务。
你可以训练一个强化学习代理来控制一个未知的植物。