强化学习
深度强化学习是机器学习的一个分支，它使您能够为复杂系统(如机器人和自主系统)实现控制器和决策系统。深度强化学习让您实现深度神经网络，可以通过使用仿真模型动态生成的数据来训练它们，从而学习复杂的行为。它不需要一个预定义的训练数据集，无论标记或未标记，您所需要的是一个模拟模型，该模型表示您正在与之交互并试图控制的环境。
利用MATLAB®，S万博1manbetximulink®,强化学习工具箱™您可以完成设计和部署决策系统的完整工作流。你可以：
- 使用简单控制系统、自治系统和机器人的示例开始强化学习
- 快速切换、评估和比较流行的强化学习算法，只需要少量的代码更改
- 使用深度神经网络定义基于图像、视频和传感器数据的复杂强化学习策略
- 通过使用本地核心或云并行运行多个模拟，更快地培训策略
- 将强化学习控制器部署到嵌入式设备
强化学习代理
强化学习代理由执行从输入状态到输出动作的映射的策略和负责更新该策略的算法组成。深度Q-网络、参与者批评家和深度确定性策略梯度是算法的流行示例。该算法更新策略，使环境提供的长期奖励信号最大化。
策略可以用深度神经网络、多项式和查找表来表示。然后，您可以实现内置的和自定义代理作为MATLAB对象或Simulink块。万博1manbetx
了解更多
在MATLAB和Simulink环境建模万博1manbetx
使用强化学习算法进行训练是一个动态过程，因为agent与周围环境交互。对于机器人技术和自主系统等应用，在现实世界中使用实际硬件执行此培训可能既昂贵又危险。这就是为什么通过模拟生成数据的虚拟环境模型更适合强化学习的原因。
您可以在MATLAB和Simulink中建立环境模型，该模型描述了系统动力学、代理采取的行动对系统动力学的影响，万博1manbetx以及评估所采取行动的好处的奖励。这些模型在本质上可以是连续的，也可以是离散的，并且可以以不同的保真度表示您的系统。此外，您还可以并行化模拟以加速训练。在某些情况下，您可以重用系统的现有MATLAB和Simulink模型进行强化学习，只需稍作修改。
了解更多
示例和参考应用程序
开始强化学习吧，通过执行控制器来解决诸如平衡倒立摆、导航网格世界问题和平衡车杆系统等问题。你也可以为自动驾驶汽车设计自适应巡航控制和车道保持辅助系统。强化学习还可以用于机器人应用程序，如轨迹规划，和教学行为，如移动。
了解更多
30天的免费试用
开始
有问题吗？
与深度学习专家交谈。
