为了学习最优策略,强化学习主体通过反复的试错过程与环境相互作用。在训练期间,代理调整其政策代表的参数,以使长期回报最大化。Reinforcement Learning Toolbox™软件提供了训练agent的功能,并通过仿真验证训练结果。有关更多信息,请参见训练强化学习代理.
加固学习设计师 | 设计、训练和模拟强化学习代理 |
火车 |
在指定的环境中训练强化学习代理 |
rltringOptions. |
训练强化学习代理的选项 |
sim卡 |
在指定环境中模拟培训的钢筋学习代理 |
RlsimulationOptions. |
用于在环境中模拟强化学习代理的选项 |
检查触发器 |
从以前的培训课程中获取培训信息 |
RL代理人 | 强化学习代理 |
在特定的环境中训练你的代理人,找出最优的策略。
训练Q-learning和SARSA代理在MATLAB中解决一个网格世界®.
在通用马尔可夫决策过程环境中培训钢筋学习代理。
创建Simul万博1manbetxink环境和Train Agent
用在Simulink中建模的对象使用强化学习训练控制器万博1manbetx®作为培训环境。
使用钢筋学习设计器应用程序设计和培训用于推车杆系统的DQN代理。
交互式地指定模拟强化学习代理的选项。
交互方式指定培训加固学习代理的选项。
通过在多核、gpu、集群或云资源上并行运行模拟,加速代理训练。
使用异步并行计算火车演员代理代理。
使用并行计算列车为自动化驾驶应用程序进行钢筋学习代理。
训练一个深度确定性策略梯度代理来控制用MATLAB建模的二阶动态系统。
用基线培训一个政策渐变,以控制在Matlab中建模的双积分器系统。
火车深度Q学习网络代理以平衡Matlab中建模的推车杆系统。
训练一个策略梯度代理来平衡一个用MATLAB建模的小车-极点系统。
训练一个行动者-评论家代理来平衡一个用MATLAB建模的小车-极点系统。
使用基于图像的观察信号列车培训钢筋学习代理。
使用深度学习工具箱™使用深网络设计器应用程序创建强化学习代理。
训练Deep Q-network agent来平衡Simulink中建模的摆。万博1manbetx
训练一个深度确定性策略梯度代理来平衡在Simulink中建模的摆。万博1manbetx
培训钢筋学习代理以平衡包含总线信号中观察的摆锤模拟模型。万博1manbetx
训练一个深度确定性的政策梯度代理,以摆动和平衡模型中的小车-杆系统Simscape™MultiBody™.
火车两个PPO代理商进行协作移动物体。
培训三个PPO代理商以合作竞争的方式探索网格世界环境。
训练一个DQN和一个DDPG代理协同执行自适应巡航控制和车道保持辅助跟踪路径。
训练一个深度神经网络来模仿模型预测控制器的行为。
培训深度神经网络以模仿非线性模型预测控制器的行为。
使用先前使用监督学习训练过的行动者网络训练一个强化学习代理。
训练一名定制的LQR特工。
使用您自己的自定义训练算法训练强化学习策略。
为自定义加强学习算法创建代理。