开始强化学习工具箱

强化学习工具箱™为使用强化学习算法(包括DQN、A2C和DDPG)的训练策略提供了函数和块。您可以使用这些策略来实现复杂系统(如机器人和自主系统)的控制器和决策算法。您可以使用深度神经网络、多项式或查找表来实现策略。

该工具箱允许您通过使策略与MATLAB表示的环境交互来训练策略^®或仿真金宝app软件^®模型。您可以评估算法，实验超参数设置，并监控训练进度。为了提高训练性能，您可以在云中、计算机集群和gpu上并行运行模拟(使用并行计算工具箱™和MATLAB并行服务器）.

通过ONNX™模型格式，可以从TensorFlow™Keras和PyTorch(带有深度学习工具箱™)等深度学习框架导入现有策略。您可以生成优化的C、c++和CUDA代码，以便在微控制器和gpu上部署训练好的策略。

工具箱包括使用强化学习为机器人和自动驾驶应用程序设计控制器的参考示例。

教程

• 在Basic Grid World中训练强化学习代理
  

  训练Q-learning和SARSA代理在MATLAB中求解网格世界。

• MDP环境下训练强化学习代理
  

  在一般的马尔可夫决策过程环境中训练一个强化学习代理。

• 创建Simul金宝appink环境和训练代理
  

  以Simulink中建模的植物为训练环境，使用强化学习训练控制器。金宝app

关于强化学习

• 什么是强化学习?
  

  强化学习是一种目标导向的计算方法，计算机通过与不确定的动态环境交互来学习执行任务。

• 强化学习在控制系统中的应用
  

  你可以训练一个强化学习代理来控制一个未知的植物。