1. 这是作者花费一周的时间，使用python写出的策略迭代和值迭代强化学习算法，以一个完整的项目发布，为解决“已知马尔科夫决策过程五元组，求最优策略”这类问题提供了算法与通用框架 2. 项目采用面向对象架构和面向抽象编程，用户可以在抽象类基础上，利用继承机制，定义新的具体环境类，测试该算法的有效性。项目还给出了unittest.Testcase的测试代码。 3. 在该项目中算法名称分别对应类：ValueIterationAgent和PolicyIterationAgent(都继承自MdpAgent)，马尔科夫决策模型已知的环境抽象类MdpEnv 4. 为展示该算法的有效性，定义了一个GridWorldEnv的具体类，实现了作者博文中“在格子世界中寻宝”的最优策略的学习，并定义了一个GridWorldUI类可视化最优策略及基于最优策略的，用户可以运行住文件main.py 5. 该项目源码的最大特点是：架构合理，可维护性好，可读性强。你不断能学到这两个强化学习算法的精髓，也能够学到什么是好的python程序架构。 6.注意先阅读里面的readme.txt文件。

在Von-Mises屈服准则及正交流动准则的前提下，建立了循环载荷下叠加型A-F(Armstrong-Frederick)非线性随动强化模型的迭代算法，并根据塑性应变增量的收敛控制实现内部的平衡迭代。为验证本文数值方法的正确性，以Chaboche和Ohno-Abde-Karim随动硬化模型为例，将本文方法的计算结果与通用有限元软件ANSYS的分析结果及试验数据进行了比较，均吻合良好，验证了本文算法的可靠性。

人工智能环保机器人MDP实现代码，使用C#实现。

用阈值迭代分割算法对图像进行二值化。。。。

Q-learning with epsilon-greedy explore Algorithm for Deterministic Cleaning Robot V1 确定性清洁机器人 MDP 清洁机器人必须收集用过的罐子也必须为其充电电池。 状态描述了机器人的位置和动作描述运动的方向。 机器人可以向左移动或向左移动正确的。 第一个 (1) 和最后 (6) 个状态是终端状态。 目标是找到最大化回报的最优策略从任何初始状态。 这里是 Q-learning epsilon-greedy 探索使用算法（在强化学习中）。 算法 2-3，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien

超松弛再生matlab代码低阶矩阵恢复的谐波均值迭代加权最小二乘 该存储库包含MATLAB代码，用于实现低阶矩阵恢复（尤其是针对低阶矩阵完成问题）的谐波均值迭代最小二乘（HM-IRLS）算法的基本变体，并重现本文所述的实验。纸： C.库默勒（J. Sigl） “用于低秩矩阵恢复的谐波平均迭代加权最小二乘”将出现在《机器学习研究杂志》（JMLR）中。 在线可用： 主文件是HM_IRLS.m 。 另请参见示例脚本： script_mc_comparisons.m -HM-IRLS与其他两种算法在随机矩阵完成数据上的比较脚本 script_small_example_IRLSvariants.m该脚本说明了本文第3部分的小示例，将HM_IRLS与其他IRLS变体进行了比较，以解决该问题 script_HM_IRLS_Figure3.m本文图3的脚本重现实验（HM-IRLS和其他IRLS变体的收敛速度，用于解决简单问题） script_HM_IRLS_Figure4.m本文图4的脚本重现实验（HM-IRLS和其他IRLS变体对难题的收敛速度） script_HM_IRLS_Figure5.m本

离散控制Matlab代码马可夫决策过程 马尔可夫决策过程（MDP）是离散的时间随机控制过程。 它提供了一个数学框架，用于在结果部分随机且部分受决策者控制的情况下对决策建模。 MDP对于研究通过动态编程和强化学习解决的优化问题非常有用。 MDP至少早在1950年代就已为人所知;罗纳德·霍华德（Ronald Howard）于1960年出版的《动态编程和马尔可夫过程》是马尔可夫决策过程研究的核心内容，它们被用于许多领域，包括机器人技术，自动控制，经济学和制造业。 MDP的名称来自俄罗斯数学家Andrey Markov。 。 算法： 值迭代（Bellman 1957）：也称为反向归纳，不使用π函数； 而是在需要时在V（s）内计算π（s）的值。 将π（s）的计算代入V（s）的计算可得出组合步骤。 在下面查看有关如何计算效用的示例（有关更多详细信息，请参见-中的代码）算法： 策略迭代：在策略迭代中（霍华德1960），第一步执行一次，然后重复第二步直到收敛。 然后，再次执行第一步，依此类推。 对于大量可能的状态，策略迭代通常比值迭代慢。 算法 ： 注意：在此代码中，我们将不处理该算法（我们将在稍后发

基于μ=(μ1+μ2)/2迭代的图像分类方法，可用于遥感影像的分类

GridWorld（计划和强化学习） 包含用于规划的算法：策略迭代和价值迭代。 还包含强化学习算法：蒙特卡洛学习，Sarsa（lambda）和Q学习。 在GridWorld问题的上下文中使用这些方法，在该问题中，代理的目标是找到到达终端状态的最快路径。 game.py文件包含Grid World环境。 可以运行其他文件来执行强化学习或计划（取决于所选文件）。

网格世界 使用强化学习技术、值迭代和 Q 学习解决 5x4 网格世界问题