matlab q学习实例代码

此代码的目的是使用涉及epsilon贪婪策略的Q学习算法来解决随机生成的方形迷宫（维度n）。 已完成报告，以帮助用户更好地理解Q-Learning背后的代码和理论。 用户可以选择迷宫的起点和终点及其尺寸n。

深度学习 通过深度强化学习制作简单的游戏AI简介 Keras和Gym中最小和简单的深度Q学习实现。 不到100行代码！ 博客文章包含dqn.py代码的说明。 为了方便起见，我对该存储库进行了一些细微的调整，例如load和save功能。 我还使memory成为双端队列，而不只是列表。 这是为了限制内存中元素的最大数量。 训练对于dqn.py可能是不稳定的。 ddqn.py减轻了此问题。 我将在下一篇文章中介绍ddqn 。

自述文件 模糊Q学习 Matlab实现的模糊Q学习，可通过在线策略学习使云自动扩展更智能。 演示（在Matlab环境中）： setup demo 如果使用此代码，请引用以下文章： P. Jamshidi, A. Sharifloo, C. Pahl, H. Arabnejad, A. Metzger, G. Estrada, "Fuzzy Self-Learning Controllers for Elasticity Management in Dynamic Cloud Architectures", in Proc. of IEEE/IFIP WICSA and CompArch, (April 2016). 接触 如果您发现错误，想要请求功能，或者有任何疑问或反馈，请发送电子邮件至 。 我们希望听到人们使用我们的代码。 执照 该代码在下。

我把莫烦Q-learning“寻宝藏”小例子的代码给MATLAB化了，大家下载之后粘贴进MATLAB实时脚本就可直接运行。

DQN-雅达利 深度Q网络实现。 实施从论文《和得出。 结果 游戏视频-DQN Nature Paper 每集奖励 实施摘要 DQN自然架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：32个8×8滤光片，步幅为4 转换层2：64个4×4步幅的滤镜 转换层3：64个3×3滤光片，步幅为1 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 DQN Neurips架构实施 输入：84×84×4图像（使用历史记录的最后4帧） 转换层1：16个8×8滤光片，步幅为4 转换层2：32个4×4步幅的滤镜 完全连接1：完全连接，由256个整流器单元组成 输出：完全连接的线性层，每个有效动作均具有单个输出。 其他参数 优化器：RMSProp 批量大小：32 电子贪婪：0.1 怎么跑 创建一个新环境 例子： conda

cliff_walking_python-强化学习- Q学习，SARSA

此代码使用迷宫示例演示了强化学习 (Q-learning) 算法，其中机器人必须仅通过向左、向右、向上和向下方向移动才能到达目的地。 在每一步，根据机器人动作的结果，它会被教导和重新教导它是否是一个好的动作，最终整个过程一次又一次地重复，直到它到达目的地。 此时，该过程将再次开始，以便可以验证所学的内容，并且可以忘记在第一遍期间所做的不必要的移动等等。 这是一个很好的教程示例，适用于必须在旅途中进行学习的情况，即不使用训练示例。 可用于游戏中学习和提升AI算法与人类玩家等多种场景的竞争能力。 在小迷宫上收敛会很快，而在大迷宫上收敛可能需要一些时间。 您可以通过修改代码来提高收敛速度，使 Q-learning 高效。 有四个m文件QLearning_Maze_Walk.m - 演示 Q-learning 算法在选定迷宫上的工作Random_Maze_Walk.m - 演示用于比较的随机选

AI-Pacman-Projects：包含UC Berkeley AI Pacman项目的实现。 这些项目依赖于各种人工智能算法和概念，包括Q学习，马尔可夫模型，图搜索，对抗搜索和启发式

强化学习 深度学习：优化 创建人：Vithurshan Vijayachandran和Hisho Rajanathan RLearning_NOTEBOOK.ipynb-适用于基本（Q学习）和高级任务（DQN和DDQN）的Jupyter笔记本。 RL_Rport.pdf：报告所有研究结果和评估。 使用以下预训练模型来测试网络，因为重新训练非常耗时。 DQNTrainingModel.h5-测试DQN网络所需的文件 DDQNTrainingModel.h5-测试DDQN网络所需的文件 DDQNPERTrainingModel.h5 =使用PER网络测试DDQN所需的文件