强化学习工具箱
使用强化学习设计和培训政策
强化学习工具箱™提供了应用程序，功能和模拟链接万博1manbetx®块，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。
工具箱允许您使用深神经网络或查找表来表示策略和值函数，并通过与Matlab中建模的环境的交互培训®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，也可以开发自己的算法。您可以试验超参数设置，监控训练进度，并通过应用程序或编程方式交互模拟训练过的代理。为了提高训练性能，仿真可以在多个cpu、gpu、计算机集群和云(使用并行计算工具箱™和MATLAB并行服务器™)上并行运行。
通过ONNX™模型格式，现有的策略可以从TensorFlow™Keras和PyTorch (with deep learning Toolbox™)等深度学习框架中导入。您可以生成优化的C、c++和CUDA®代码来在微控制器和gpu上部署经过培训的策略。工具箱中包括一些参考示例来帮助您入门。
开始:
强化学习算法
使用深度Q-network (DQN)、深度确定性策略梯度(DDPG)、近端策略优化(PPO)等内置算法创建代理。使用模板为培训策略开发定制代理。
钢筋学习工具箱中提供的培训算法。
Simulink中的单agent和多agent强化学习万博1manbetx
在Simulink中使用RL Agent块创建和训练强化学习Agent。万博1manbetx在Simulink中使用RL Agent块的多个实例同时训练多个Agent(多Agent强化学习)。万博1manbetx
Simulink的强化学习agent块。万博1manbetx
万博1manbetxSimulink和Simscape环境
使用Si万博1manbetxmulink和Simscape™创建环境模型。在模型中指定观察、行动和奖励信号。
万博1manbetx两足机器人的Simulink环境模型。
MATLAB环境中
使用MATLAB函数和类来建模一个环境。在MATLAB文件中指定观察、行动和奖励变量。
三自由度火箭的MATLAB环境。
分布式计算和多核加速
通过在多核计算机、云资源或计算集群上运行并行模拟来加速训练并行计算工具箱和MATLAB并行服务器．
使用并行计算加快培训。
GPU加速
使用高性能NVIDIA加速深度神经网络训练和推理®gpu。使用MATLAB并行计算工具箱以及大多数支持cuda的NVIDIA图形处理器计算能力3.0及以上．
使用gpu加速训练。
代码生成
使用GPU编码器™从表示训练策略的MATLAB代码中生成优化的CUDA代码。使用MATLAB编码器™生成C/ c++代码来部署策略。
使用GPU编码器生成CUDA代码。
MATLAB编译器支持万博1manbetx
使用MATLAB编译器™和MATLAB编译器SDK™将经过培训的策略部署为独立的应用程序，C/ c++共享库，微软®net程序集,Java®Python类,®包。
将策略打包和共享为独立的程序。
开始
了解如何为一些问题制定强化学习策略，如倒立一个简单的钟摆、导航一个网格世界、平衡一个拉杆系统和解决一般的马尔可夫决策过程。
自动驾驶
为自动驾驶应用设计强化学习策略，如自适应巡航控制、车道保持辅助和自动停车。
水资源分配中的资源分配问题。
加强学习视频系列
观看本系列中的视频，了解有关强化学习的更多信息。
