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（使用并行计算工具箱™和MATLABPrild Server™）。
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®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：
免费的电子书
用Matlab和Simulink加强学习金宝app
强化学习算法
使用Deep Q-Network（DQN），深度确定性政策梯度（DDPG），近端策略优化（PPO）以及其他内置算法创建代理。使用模板开发自定义代理以获取培训策略。
强化学习工具箱中提供的训练算法。
Simulink中的单次和多智能体增强学习金宝app
使用RL代理块在Simulink中创建和培训加固学习代理。金宝app使用RL代理程序块的多个实例同时列车在Simulink中同时（多代理强化学习）。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™来创建环境的模型。指定模型中的观察，动作和奖励信号。
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。
Matlab环境为三程度的火箭。
分布式计算和多核加速度
通过在多核计算机，云资源或计算群集上运行并行模拟来加速培训并行计算工具箱和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或更高．
使用GPU加速培训。
代码生成
用GPU编码器™从Matlab代码生成优化的CUDA代码，代表培训的策略。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
用Matlab Compiler™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装配，Java®Python类,®包裹。
包装和分享单独计划的政策。
开始
了解如何为反转简单的摆锤，导航网格世界，平衡推车杆系统以及解决通用马尔可夫决策过程等问题开发强化学习策略。
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。
水分布资源分配问题。
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。
