我们将深度Q-Learning成功背后的理念与持续的 动作域。我们提出了一种基于确定性模型的无模型算法 可以在连续动作空间上操作的策略梯度。使用 同样的学习算法，网络结构和超参数，我们的算法 稳健地解决20多个模拟物理任务，包括经典 如手推车摆动、灵巧操作、腿部运动等问题 还有开车。我们的算法能够找到性能具有竞争力的策略 与那些发现的规划算法完全访问的动态 域及其衍生物的。我们进一步证明，对于许多 任务算法可以“端到端”学习策略：直接从原始像素输入。

A practical guide to mastering reinforcement learning algorithms using Keras Key Features: Build projects across robotics, gaming, and finance fields, putting reinforcement learning (RL) into action; Get to grips with Keras and practice on real-world unstructured datasets; Uncover advanced deep learning algorithms such as Monte Carlo, Markov Decision, and Q-learning.

Unity ML-Agents工具包 （）（） Unity Machine Learning Agents工具包（ML-Agents）是一个开放源代码项目，使游戏和模拟能够用作训练智能代理的环境。 我们提供最新算法的实现（基于PyTorch），使游戏开发人员和业余爱好者可以轻松地训练2D，3D和VR / AR游戏的智能代理。 研究人员还可以使用提供的易于使用的Python API通过强化学习，模仿学习，神经进化或任何其他方法来训练Agent。 这些训练有素的代理可以用于多种目的，包括控制NPC行为（在多种设置下，例如多代理和对抗），自动测试游戏版本并评估预发布的不同游戏设计决策。 ML-A

多臂赌博机介绍 强化学习入门 Reinforcement Learning

回购我们的硕士论文 阅读每个文件夹中的readme.md，以获取对论文不同部分的描述。

单糖 用Python实现的Type-1糖尿病模拟器，用于强化学习 该模拟器是FDA批准的的python实现，仅用于研究目的。 该模拟器包括30名虚拟患者，10名青少年，10名成人，10名儿童。 引用方式：谢金玉。 Simglucose v0.2.1（2018）[在线]。 可用： : 。 访问日期：年月日。 注意：simglucose仅支持python3。 动画片 CVGA绘图 BG跟踪图 风险指数统计 主要特点 仿真环境遵循和 API。 它在每个步骤都返回观察，奖励，完成，信息，这意味着模拟器已“加强学习”。 支持定制的奖励功能。 奖励功能是最近一小时血糖测量值的功能。 默认情况下，每个步骤的回报是risk[t-1] - risk[t] 。 risk[t]是定义的时间t的风险指数。 支持并行计算。 该模拟器使用并行模拟多位患者（您可以通过设置parallel=False来自

2020年11月22日更新 各位， 2020-11-17：我注意到人们正在等待代码。 正如我在某些电子邮件中所说的那样，论文终于在我还是腾讯的时候完成了。 2020年5月，我从腾讯离开，加入了深圳大学。 如您所知，对于一家商业公司，我将所有材料留在腾讯内部。 非常抱歉，无法再提供原始的MATLAB代码。 我将尝试最近在Pytorch中重新实现它。 谢谢。 2020-11-22：上传了pytorch实施。 再次抱歉，我无法提供带有SARSA的原始MATLAB实现。 当我们小组致力于A3C框架的研究工作时，我使用A3C框架实施EV充电环境和功能状态，以提高实施效率。 结果，尽管结果与原始结果略有不同，但快速收敛仍然很重要。 就个人而言，我们的主要贡献是问题的提出和解决，可以在env（）函数中找到。 因此，让我在这里停止，再次感谢您的关注。 引用这项工作 S. Wang，S。Bi和YJ Zh

Reinforcement Learning An Introduction 第二版，Richard S. Sutton and Andrew G. Barto等著，548页，非扫描版

强化学习工具箱(DRLToolbox) 概述 该项目建立了一个集成深度强化学习训练、训练结果可视化、调参、模型版本管理等功能于一体的工具箱，提供小游戏对算法进行测试学习。该工具箱可以帮助大家了解深度强化学习的乐趣以及协助开发者的研究。 配置情况 Python 3 TensorFlow-gpu pygame OpenCV-Python PyQt5 sys threading multiprocessing shelve os sqlite3 socket pyperclip flask glob shutil numpy pandas time importlib 如何运行？ 运行run_window.py可启动窗口 启动界面 主界面 设置界面 其他功能详见项目大报告 什么是强化学习？ 详见报告 最终表现 以贪吃蛇为例，经过超过500万次训练（超过48小时），一共完成36171局，每局分数如

使用Python的强化学习算法 这是Packt发行的《 的代码库。 学习，理解和开发用于应对AI挑战的智能算法 这本书是关于什么的？ 强化学习（RL）是AI的流行和有前途的分支，涉及制作更智能的模型和代理，这些模型和代理可以根据不断变化的需求自动确定理想的行为。 本书将帮助您掌握RL算法并在构建自学习代理时了解其实现。 本书首先介绍了在RL环境中工作所需的工具，库和设置，然后介绍了RL的组成部分，并深入研究了基于价值的方法，例如Q学习和SARSA算法的应用。 您将学习如何结合使用Q学习和神经网络来解决复杂的问题。 此外，在继续使用DDPG和TD3确定性算法之前，您将研究策略梯度方法TRPO和PPO，以提高性能和稳定性。 本书还介绍了模仿学习技术的工作原理以及Dagger如何教代理人驾驶。 您将发现进化策略和黑盒优化技术，并了解它们如何改善RL算法。 最后，您将掌握诸如UCB和UCB1