加固学习工具箱
使用强化学习设计和培训政策
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。
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的加强学习代理块。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用于Biped机器人的Simulink环境模型。
Matlab环境
使用MATLAB函数和类来模拟环境。在MATLAB文件中指定观察，操作和奖励变量。
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。
使用并行计算加快培训。
GPU加速
高性能NVIDIA加快深度神经网络培训和推论®GPU。使用matlab并行计算工具箱和最支持的CUDA启用的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 Coder™生成C / C ++代码以部署策略。
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®课程和python®包。
将策略打包和共享为独立的程序。
入门
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
设计加强学习政策，自动驾驶应用，如自适应巡航控制，车道保持援助和自动停车。
水资源分配中的资源分配问题。
