强化学习工具箱™提供了应用程序，功能和模拟链接金宝app^®使用强化学习算法的培训政策阻止，包括DQN，PPO，SAC和DDPG。您可以使用这些策略来实现用于复杂应用程序的控制器和决策算法，例如资源分配，机器人和自主系统。

工具箱允许您使用深神经网络或查找表来表示策略和值函数，并通过与Matlab中建模的环境的交互培训^®或者是金宝appsimulink。您可以评估工具箱中提供的单个或多代理强化学习算法或开发您自己的学习算法。您可以通过应用程序或以编程方式进行高度参数设置，监视培训进度，并模拟培训的代理。为了提高培训性能，可以在多个CPU，GPU，计算机集群和云上并行运行模拟（具有并行计算工具箱™和MATLAB并行服务器™）。

通过Onnx™模型格式，现有的策略可以从DENE学习框架导入Tensorflow™Keras和Pytorch（具有深度学习工具箱™）。您可以生成优化的C，C ++和CUDA^®用于部署微控制器和GPU的培训策略的代码。工具箱包含参考示例，以帮助您开始。