Rex：一个开源的四足机器人 该项目的目标是训练一个开源3D打印四足机器人，探索Reinforcement Learning和OpenAI Gym 。 目的是让机器人学习模拟中的家务和一般任务，然后在不进行任何其他手动调整的情况下，在真实机器人上成功地传递知识（ Control Policies ）。 该项目的主要灵感来自波士顿动力公司所做的令人难以置信的工作。 相关资料库 一个CLI应用程序，用于引导和控制Rex运行经过训练的Control Policies 。 cloud-用于在云上训练Rex的CLI应用程序。 Rex-Gym：OpenAI Gym环境和工具 该存储库包含用于训练Rex的OpenAI Gym Environments集合，Rex URDF模型，学习代理实现（PPO）和一些脚本，以开始训练课程并可视化学习到的Control Polices 。 此CLI应用程序允许批量培训，策略重现和单个培训呈现的会话。 安装 创建一个Python 3.7虚拟环境，例如使用Anaconda conda create -n rex python=3.7 anaconda cond

matlab贪婪算法代码使用强化学习进行内容缓存 众所周知，无线移动终端网络中的最佳数据分配问题即使对于少量的文件和终端（NP-Hard）也是难以解决的。 该存储库包含在 IEEE Xplore: Distributed Caching based on Decentralized Learning Automata 中发表的工作代码。 问题 简单地说，文件放置问题或“缓存问题”出现在我们想要在每个位置最多 C 个对象的 H 位置中找到 F 个对象的最佳放置时。 最优指的是最小化某种成本函数的分配，在这种情况下是网络中的延迟。 尝试所有可能的对象组合和排列（“蛮力”或“穷举搜索”方法）对于少量对象很快变得不可行。 解决方案 有很多方法可以解决缓存问题的次优解决方案。 我们提出了一个受到独立玩家游戏（学习自动机）的启发，他们采取行动并感知彼此的选择，以了解他们的策略是否好。 由于不需要对玩家的选择进行评分的中心化实体，因此这种方法具有高度的可扩展性。 在模拟的嘈杂环境下，我们的算法接近贪婪策略的性能，其中每个玩家都最小化他们的成本函数。 我们提出了一种离散广义追踪算法（DGPA 贡献 基

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：这是本书的第二版，旨在为所有相关学科的读者提供一个清晰的、简单的强化学习关键思想&算法的说明。书籍在第一版的基础上，增加了近些年新的研究主题，内容重点放在核心的算法上。 ◉ 目录： 介绍 多臂老虎机 有限马尔可夫决策过程 动态规划 蒙特卡罗方法 时差学习 n-step Bootstrapping 使用表格方法进行规划和学习 带近似的策略预测 带近似的策略控制 带近似的离策略方法 资格痕迹 策略梯度方法 心理学 神经科学 应用与案例研究 前沿

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：这是新书『强化学习的数学基础』的书稿，作者赵世钰，现任西湖大学工学院智能无人系统实验室主任。2022年秋季是作者第四次教授强化学习的研究生课程，撰写这份资料是为了弥补已有教材的不足。 ◉ 目录： 第2章：贝尔曼方程，是分析状态值的基本工具 第3章：贝尔曼最优方程，是一个特殊的贝尔曼方程 第4章：值迭代算法，是一种求解贝尔曼最优方程的算法 第5章：蒙特卡罗学习，是第4章策略迭代算法的扩展 第6章：随机逼近的基础知识 第7章：时差学习，第6章是本章的基础 第8章：扩展了表格时间对价值函数逼近情况的差分学习方法 第9章：策略迭代 第10章：actor-critic 方法

DeepGTAV：GTAV的插件，可将其转变为基于视觉的自动驾驶汽车研究环境

后视体验重播（HER） 这是的pytorch实现。 致谢： 要求 python = 3.5.2 openai-gym = 0.12.5（支持mujoco200，但您需要使用Gym> = 0.12.5，它在以前的版本中有一个错误。） mujoco-py = 1.50.1.56（ 请使用此版本，如果您使用mujoco200，则可能在FetchSlide-v1中失败） pytorch = 1.0.0（如果使用pytorch-0.4.1，则可能会出现数据类型错误。稍后我将对其进行修复。 ） mpi4py 待办事项清单 支持GPU加速-尽管我添加了GPU支持，但是如果您没有强大的计算机，我仍然不建议您使用。 为每个MPI添加多个环境。 添加FetchSlide-v1的图和演示。 指令运行代码 如果要使用GPU，只需添加--cuda标志（不推荐，最好使用CPU） 。 训练FetchR

在本文中，我们提出了一种深度强化学习方法，以评估虚拟创建的自动驾驶场景的性能。 马尔可夫决策过程用于将车辆状态映射到动作。 折扣和奖励功能也包含在决策策略中。 为了处理导致强化学习的标准不稳定的高维度输入，我们使用了经验重播。 为了进一步降低相关性，我们使用迭代更新来定期更新Q值。 基于随机目标函数的亚当优化器与整流线性单元激活函数一起用作神经网络中的优化器，有助于进一步优化过程。 这款自动驾驶汽车不需要任何带有标签的训练数据即可学习人类的驾驶行为。 受现实情况启发，基于动作的奖励功能用于训练车辆。 在我们的方法中已经证明，经过多次迭代，虚拟制造的车辆会产生无碰撞运动，并执行与人类相同的驾驶行为。

RL飞扬的鸟 概述 该项目是强化学习的基本应用。 它集成了以使用DQN来训练代理。 预训练模型在单个GPU上以3M步进行训练。 您可以找到解释培训过程的，或。 构建项目并运行 该项目支持使用Maven进行构建，您可以使用以下命令进行构建： mvn compile 以下命令将开始在没有图形的情况下进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" 上面的命令将从头开始训练。 您也可以尝试使用预先训练的体重进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" -Dexec.args="-p" 要直接使用模型进行测试，您可以执行以下操作 mvn exec:java -Dexec.mainClass="com.ki

About some major methods and some basic models in reinforcement learning!

本科毕业设计用网上的源码 Reversi-based-RL 呐～ 是吧 我又回来了，依旧是你熟悉的黑白棋，依旧秦时明月的故事背景～ 不同的，是你看不到的，用心去感受吧～ 啦啦啦～ 开箱教程 环境配置 python == 3.6 keras-gpu == 2.2.4 tensorflow-gpu == 1.14.0 主要文件说明 src/config.py 参数配置文件，其中 project_root_path 设置为项目路径，需更改 src/coach.py 为强化学习 self-play 训练类 src/referee.py 为指挥者，指挥两个 player 的交互 src/web 为一个简单的客户端/服务端，有着更好的体验玩耍该游戏，demo： 服务端启动：python -m src.web.server.web_ssl_server，可能需更改 config.py 下的 web_ssl_cert_file、web_ssl_key_file 等参数 客户端启动：使用浏览器打开 src/web/client/index.html src/main.py 为程序执行文件，可参照 mai