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

wifibruteforce 一个扑扑的应用程序，用于残酷地围绕着您的无线网络 下载链接 用户界面看起来很糟糕，因为我是新手。 工具作者： krishpranav |

OpenSpiel：游戏中强化学习的框架 OpenSpiel是用于一般强化学习和游戏中搜索/计划研究的环境和算法的集合。 OpenSpiel支持n玩家（单人和多人）零和，合作和一般和，单发和顺序，严格的回合和同时移动，完美和不完美的信息游戏，以及传统的多人环境例如（部分和完全可观察的）网格世界和社会困境。 OpenSpiel还包括用于分析学习动态和其他常见评估指标的工具。 游戏被表示为程序扩展形式的游戏，具有一些自然的扩展。 核心API和游戏以C ++实现，并公开给Python。 算法和工具都是用C ++和Python编写的。 swift子目录中还有一个纯Swift分支。 要在Google Colaboratory中尝试OpenSpiel，请参考open_spiel/colabs子目录或从开始。 指数 请在以下选项中选择： 有关核心概念，形式主义和术语的较长介绍，包括算法概述和一些结果，请参阅《 。 有关OpenSpiel的概述以及核心API的示例用法，请参见教程演示幻灯片： 。 如果您在研究中使用OpenSpiel，请使用以下BibTeX引用该论文： @article{

健身搏击 使用OpenAI环境工具包的战舰环境。 基本 制作并初始化环境： import gym import gym_battleship env = gym.make('battleship-v0') env.reset() 获取动作空间和观察空间： ACTION_SPACE = env.action_space.n OBSERVATION_SPACE = env.observation_space.shape[0] 运行一个随机代理： for i in range(10): env.step(env.action_space.sample()) 观察隐藏的游戏状态： print(env.board_generated) 有效动作 有两种输入动作的方法。 第一种方法是按原样输入元组： env = gym.make('battleship-v0') env.reset(

% 剪力和弯矩图 (SFBMD) %------------------------------------------------- ------------------------- % 绘制梁的剪力和弯矩图% 端部集中载荷/力矩以及均匀分布载荷% 沿所有三个方向的光束。 % ％ 句法% SFBMD（选项，强制，分配，len） % ％ 输入% [forces] : 梁端力和力矩 [fy1,mz1,fy1,mz2] % [distloabd]：分布式负载 [wy] % [len]：光束长度% ％ 输出% 子图 1：剪切力图% 子图 2：弯矩图% % 可以很容易地更改该函数以将其包含在任何有限元程序中。 % ％ 例子% 悬臂分布载荷； SFBMD([0,0,0,0],-1,10) % 末端集中力的悬臂载荷； SFBMD([1,10,-1,0],0,10) % %==============

一些使用Neo4j中的数据通过使用3-js渲染3d图的实验，这是一个非常酷的存储库。 这些页面使用最新的Neo4j javascript驱动程序来查询图形中的一些基本数据，并将其呈现在3d图形中。 请注意，JS驱动程序使用一个自定义的Number对象，我们必须将它转换为具有value.toNumber() JS整数，并包装我们发送到服务器的int值，例如neo4j.int的限制。 示例页面从的GameOfThrones图加载了5000个关系。您可能需要更改身份验证和数据库（默认值：database / user / password：gameofthrones） 基本加载 基本加载：仅使用ID（最快） MATCH (n)-->(m) RETURN id(n) as source, id(m) as target LIMIT $limit ForceGraph3D ( ) ( do

2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。 奥图纳 Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。它具有命令式，按运行定义样式的用户API。多亏了我们的运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 还有就是如何使用这个库指南。 Numba 是一种开源JI

超级马里奥兄弟的深度强化学习 描述 背景信息：超级马里奥兄弟（SMB）是一款流行的动作游戏，具有“真实的”环境和广阔的状态空间，是设计可玩计算机游戏的强化学习代理的理想平台。 该代理要求与世界上的各种对象和障碍进行交互，以鼓励采用知识丰富的学习方法。 方法-我们使用了OpenAI Gym提供的框架。 超级马里奥兄弟体育馆并从游戏环境中提取了信息，以使用PPO训练RL特工。 我们还向环境引入了预处理方法，例如帧缩放，随机跳帧，帧堆叠和噪声网，以提高代理的性能。 通过引入回滚操作来提高训练的稳定性，可以创建PPO的变体。 结果：该方法成功地训练了能够在20个小时的训练后完成水平的特工。 我们成功实现了一种方法，该方法可以比常规PPO实施更好地执行，在不应用数据预处理的情况下性能提高了50％，在应用数据预处理的情况下性能提高了10％。 工具 Pytorch已被用作主要的机器学习库 由于SMB

最小生成树 使用邻接列表的图的最小生成树 (MST) 实现。 许可 Apache V2.0。 注意：我使用 Robert Sedgewick 的算法实现作为参考 - 非常感谢他的精彩教程。 此外，使用的编译器选项是 -std=c99。

CloudSimPy 数据中心作业调度仿真框架 CloudSimPy 基于离散事件仿真框架 ，利用 Python 语言进行实现； Python 语言的科学计算、深度学习、机器学习生态相较于其他编程语言更加完善，CloudSimPy 可以与具有 Python 支持的深度学习框架（比如 TensorFlow，PyTorch）很好的结合，有助于研究基于机器学习或者深度学习的资源管理方法。 在 CloudSimPy/playground/Non_DAG/algorithm/DeepJS/DRL.py 中的基于深度强化学习的数据中心作业调度算法由 TensorFlow 进行实现，并在其 eager 模式下进行推断和训练。 CloudSimPy 作为数据中心作业调度仿真框架 CloudSimPy 包含两个 Python 包 core 和 playground。 Core core 对数据中心作业调度问