此示例显示了如何为PG代理创建策略评估功能。

首先，创建和培训增强学习代理。在此示例中，加载训练的PG代理训练PG代理以平衡卡车孔系统。

加载（'matlabcartpolepg.mat'，，，，'代理人'）

然后，使用默认名称为该代理创建策略评估功能。

生成PolicyFunction（Agent）;

此命令创建评估Policy.m文件，包含策略函数，AgentData.mat文件，其中包含训练有素的深神经网络演员。

查看生成的功能。

类型评估Policy.m

函数action1 = estaruepolicy（观察1）％＃代码GONFORICTION学习工具箱％生成：20-JAN-2022 15:07:48持久策略；如果ISEMPTY（策略）策略= coder.loadrlpolicy（“ AgentData.mat”）;结束％评估策略行动1 = getAction（策略，观察1）;

评估随机观察的政策。

评估人员（RAND（4,1））

ANS = 10

现在，您可以使用MATLAB®CODER™为此策略函数生成代码。有关更多信息，请参阅部署训练有素的强化学习政策。

此示例显示了如何为Q学习代理创建策略评估功能。

在此示例中，加载训练有训练的Q学习剂基本网格世界中的火车加固学习代理

加载（'BASICGWQAGENT.MAT'，，，，'Qagent'）

为此代理创建策略评估功能，并指定代理数据文件的名称。

生成PolicyFunction（Qagent，'MatfileName'，，，，“ policyfile.mat”）

此命令创建评估Policy.m文件，包含策略函数，policyfile.mat文件，其中包含训练有素的Q表值函数。

查看生成的功能。

类型评估Policy.m

函数action1 = estaruepolicy（观察1）％＃codegen％加固学习工具箱％生成：20-JAN-2022 15:24:34持久策略；如果ISEMPTY（策略）策略= CODER.LOADRLPOLICY（“ policyfile.mat”）;结束％评估策略行动1 = getAction（策略，观察1）;

评估随机观察的政策。

评估人员（Randi（25））

ans = 1

现在，您可以使用MATLAB®CODER™为此策略函数生成代码。有关更多信息，请参阅部署训练有素的强化学习政策。