强化学习工具箱™提供了使用强化学习算法(包括DQN、A2C和DDPG)的训练策略的功能和模块。您可以使用这些策略为复杂系统(如机器人和自治系统)实现控制器和决策算法。您可以使用深度神经网络、多项式或查找表来实现这些策略。
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,试验超参数设置,并监控训练进度。为了提高训练性能,您可以在云、计算机集群和gpu(使用parallel Computing Toolbox™和MATLAB并行服务器™)。
通过ONNX™模型格式,现有的策略可以从TensorFlow™Keras和PyTorch (with deep learning Toolbox™)等深度学习框架中导入。您可以生成优化的C、c++和CUDA代码来将经过培训的策略部署到微控制器和gpu上。
工具箱包括使用强化学习来为机器人和自动驾驶应用设计控制器的参考示例。
训练Q-learning和SARSA代理在MATLAB中解决一个网格世界。
在一般的马尔可夫决策过程环境下训练一个强化学习agent。
用在Simulink中建模的对象作为训练环境,使用强化学习训练控制器。金宝app
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。
你可以训练一个强化学习代理来控制一个未知的植物。