强化学习工具箱
使用强化学习设计和培训政策
Reinforcement Learning Toolbox™提供了一个应用程序、函数和Simulink金宝app®block用于使用强化学习算法的训练策略，包括DQN、PPO、SAC和DDPG。您可以使用这些策略为复杂的应用程序(如资源分配、机器人和自治系统)实现控制器和决策算法。
这个工具箱允许您使用深度神经网络或查询表来表示策略和值函数，并通过与MATLAB中建模的环境进行交互来训练它们®或仿真金宝app软件。您可以评估工具箱中提供的单或多智能体强化学习算法，或开发自己的算法。您可以试验超参数设置，监控训练进度，并通过应用程序交互或编程模拟训练过的代理。为了提高训练性能，模拟可以在多个cpu、gpu、计算机集群和云上并行运行(使用并行计算工具箱™和MATLAB并行服务器™)。
通过ONNX™模型格式，现有的策略可以从深度学习框架导入，如TensorFlow™Keras和PyTorch(使用深度学习工具箱™)。你可以生成优化的C, c++和CUDA®代码在微控制器和gpu上部署经过培训的政策。工具箱包括参考示例，以帮助您开始。
开始:
Simulink中的单agent和多agent强化学习金宝app
在Simulink中用RL代理块创建和训练强化学习代理。金宝app在Simulink中使用RL Agent块的多个实例同时训练多个Agent (multi-agent reinforcement learning)。金宝app
Simulink的强化学习代理块。金宝app
金宝appSimulink和Simscape环境
使用Si金宝appmulink和Simscape™创建环境的模型。在模型中指定观察、行动和奖励信号。
金宝app双足机器人的Simulink环境模型。
MATLAB环境中
使用MATLAB函数和类来建模环境。在MATLAB文件中指定观察，行动和奖励变量。
三自由度火箭的MATLAB环境。
分布式计算和多核加速
通过在多核计算机、云资源或计算集群上运行并行模拟来加速训练并行计算工具箱和MATLAB并行服务器．
使用并行计算加速训练。
GPU加速
使用高性能NVIDIA加速深度神经网络训练和推理®gpu。使用MATLAB并行计算工具箱以及大多数支持cuda的NVIDIA gpu计算能力3.0及以上．
使用gpu加速培训。
代码生成
使用GPU编码器™从代表训练过的策略的MATLAB代码生成优化的CUDA代码。使用MATLAB编码器™生成C/ c++代码来部署策略。
使用GPU编码器生成CUDA代码。
MATLAB编译器支持金宝app
使用MATLAB编译器™和MATLAB编译器SDK™将经过培训的策略部署为独立应用程序、C/ c++共享库、Microsoft®net程序集,Java®Python类,®包。
将策略打包和共享为独立的程序。
开始
了解如何为一些问题开发强化学习策略，如倒转一个简单的钟摆，导航一个网格世界，平衡一个车杆系统，以及解决一般的马尔可夫决策过程。
自动驾驶
为自动驾驶应用设计强化学习策略，如自适应巡航控制、车道保持辅助和自动停车。
水资源分配中的资源分配问题。
产品资源:
强化学习视频系列
观看这个系列的视频来学习更多关于强化学习的知识。
