创建一个观察规范对象(或者使用getObservationInfo从环境中提取规范对象)。对于本例，将观测空间定义为连续的四维空间，这样一个观测就是包含四个双精度的列向量。

obsInfo = rlNumericSpec([4 1]);

创建一个动作规范对象(或者使用getActionInfo从环境中提取规范对象)。对于本例，将操作空间定义为连续的二维空间，因此单个操作是包含两个double的列向量。

actInfo = rlNumericSpec([2 1]);

建立一个深度神经网络来近似q值函数。网络必须有两个输入，一个用于观察，一个用于动作。观察输入(这里称为蒙布斯）必须接受四元素矢量（定义的观察向量obsInfo）.操作输入(这里称为myact)必须接受一个双元素向量(由actInfo）.网络的输出必须是一个标量，表示agent从给定的观测开始并采取给定的行动时的预期累积长期回报。

％观察路径层obspath = [featuredputlayer（4，“归一化”，“没有”，“名字”，'myobs') fullyConnectedLayer (1,“名字”，“obsout”));%动作路径层actPath = [featureInputLayer (2,“归一化”，“没有”，“名字”，“myact”) fullyConnectedLayer (1,“名字”，'action'));%输出层的公共路径comPath = [additionLayer (2,“名字”，'添加') fullyConnectedLayer (1,“名字”，“输出”));％将图层添加到网络对象网= addLayers (layerGraph (obsPath) actPath);网= addLayers(净,comPath);%连接层网= connectLayers(网络,“obsout”，“添加/三机一体”）;网= connectLayers(网络,'action'，'添加/ in2'）;%的阴谋网络情节(净)

创造批评者rlqvalueerepresentation，使用网络，观测和动作规范对象，以及网络输入层的名称。

评论家= rlQValueRepresentation(净、obsInfo actInfo,......“观察”, {'myobs'}，“行动”, {“myact”}）

批评= rlqvaluerepresentation与属性：actionInfo：[1x1 rl.util.rlnumericspec] devalionationinfo：[1x1 rl.util.rlnumericspec]选项：[1x1 rl.option.rlrepresentationOptions]

要检查你的批评家，使用getValue函数返回使用当前网络权重的随机观察和动作的值。

v = getValue(评论家,{兰德(4,1)},{兰德(2,1)})

v =单身的0.1102

您现在可以使用批评家(以及一个参与者)来创建依赖于q值函数批评家的代理(例如rlqagent.，rlDQNAgent，rlSARSAAgent， 或者rlddpgagent.代理人）。

此示例显示了如何使用深神经网络近似器创建用于离散动作空间的多输出Q值功能批评者。

这个批评家只将观察结果作为输入，并生成带有尽可能多的操作元素的向量作为输出。当代理从给定的观察开始并采取与输出向量中元素位置相对应的操作时，每个元素表示预期的累积长期奖励。

创建一个观察规范对象(或者使用getObservationInfo从环境中提取规范对象)。对于本例，将观测空间定义为连续的四维空间，这样一个观测就是包含四个双精度的列向量。

obsInfo = rlNumericSpec([4 1]);

创建一个有限设定的动作规格对象(或可选使用)getActionInfo从具有离散操作空间的环境中提取规范对象)。对于本例，将操作空间定义为一个有限集，包含三个可能的值(命名为7，5,3.在这种情况下)。

actInfo = rlFiniteSetSpec([7 5 3]);

创建一个深度神经网络近似器来近似批评家内部的q值函数。网络的输入(这里称为蒙布斯)必须接受四个元素的向量，如obsInfo．输出必须是具有尽可能多的可能的离散操作的元素的单个输出层(在本例中为三个，定义为actInfo）.

net = [featureinputlayer（4，“归一化”，“没有”，“名字”，'myobs') fullyConnectedLayer (3“名字”，'价值'));

使用网络、观察规范对象和网络输入层的名称创建批评家。

评论家= rlQValueRepresentation(净、obsInfo actInfo,“观察”, {'myobs'}）

批评家= rlQValueRepresentation与属性:ActionInfo: [1x1 rl.util.]。rlFiniteSetSpec: [1x1 rl.util.]rlNumericSpec] Options: [1x1 rl.option.rlRepresentationOptions]

要检查你的批评家，使用getValue函数返回使用当前网络权重的随机观测值。这三种可能的操作都有一个值。

v = getValue(评论家,{兰德(4,1)})

v =3x1单列向量0.7232 0.8177 -0.2212

现在，您可以使用评论家(以及演员)来创建一个依赖于q值函数评论家(例如rlqagent.，rlDQNAgent， 或者rlSARSAAgent代理人）。

创建一个有限集观察规范对象(或者使用getObservationInfo从具有离散观察空间的环境中提取规格对象)。对于这个例子，将观察空间定义为具有4个可能值的有限集。

obsInfo = rlFiniteSetSpec([7 5 3 1]);

创建一个有限设定的动作规格对象(或可选使用)getActionInfo从具有离散操作空间的环境中提取规范对象)。在这个例子中，将动作空间定义为具有2个可能值的有限集。

actInfo = rlFiniteSetSpec([4 8]);

创建一个表来近似批评家中的值函数。rltable.从观察和操作规范对象创建值表对象。

qTable = rlTable (obsInfo actInfo);

该表为每个可能的观察-操作对存储一个值(表示预期的累积长期奖励)。每一行对应一个观察，每一列对应一个操作。可以使用表格财产的虚表对象。每个元素的初始值都是零。

qTable。表格

ans =4×20 0 0 0 0 0 0

可以将表初始化为任意值，在本例中是一个包含from的整数的数组1通过8．

qTable.Table =重塑(1:8 4 2)

qTable = rlTable with properties: Table: [4x2 double]

使用表格和操作规范对象创建批评者。

评论家= rlQValueRepresentation (qTable obsInfo actInfo)

批评家= rlQValueRepresentation与属性:ActionInfo: [1x1 rl.util.]。rlFiniteSetSpec: [1x1 rl.util.]rlFiniteSetSpec] Options: [1x1 rl.option.rlRepresentationOptions]

要检查你的批评家，使用getValue函数使用当前表项返回给定观察和操作的值。

v = getValue（评论家，{5}，{8}）

v = 6

现在，您可以使用评论家(以及一个演员)来创建一个依赖于q值函数评论家(例如rlqagent.，rlDQNAgent， 或者rlSARSAAgent代理人）。

创建一个观察规范对象(或者使用getObservationInfo从环境中提取规范对象)。在本例中，将观测空间定义为连续的四维空间，使单个观测是包含3个双精度的列向量。

obsInfo = rlNumericSpec([3 1]);

创建一个动作规范对象(或者使用getActionInfo从环境中提取规范对象)。对于本例，将操作空间定义为连续的二维空间，因此单个操作是包含2个double的列向量。

actInfo = rlNumericSpec([2 1]);

创建一个自定义的基础函数来近似批评家的价值函数。自定义基函数必须返回一个列向量。每个向量元素必须是分别定义的观察和动作的函数obsInfo和actInfo．

myobs = @(myobs,myact) [myobs(2)^2;myobs (1) + exp (myact (1));abs (myact (2));myobs (3))

myBasisFcn =function_handle具有值：@ (myobs myact) [myobs (2) ^ 2; myobs (1) + exp (myact (1)); abs (myact (2)); myobs (3))

批评家的输出是标量W * myBasisFcn (myobs myact),在那里W是一个权重列向量，它必须具有与自定义基函数输出相同的大小。该输出是代理从给定的观察开始并采取最佳行动时的预期累积长期回报。W的元素是可学习的参数。

定义一个初始参数向量。

W0 = (1, 4, 4; 2);

创建一个评论家。第一个参数是一个包含自定义函数句柄和初始权重向量的双元素单元格。第二个和第三个参数分别是观察和操作规范对象。

评论家= rlQValueRepresentation ({myBasisFcn, W0}, obsInfo actInfo)

批评者

要检查你的批评家，使用getValue函数使用当前参数向量返回给定观察-操作对的值。

v = getValue（评论家，{[1 2 3]'}，{[4 5]'}）

V = 1×1美元252.3926

您现在可以使用批评家(以及一个参与者)来创建依赖于q值函数批评家的代理(例如rlqagent.，rlDQNAgent，rlSARSAAgent， 或者rlddpgagent.代理人）。

这个例子展示了如何使用自定义基函数近似器为离散动作空间创建一个多输出q值函数批评家。

这个批评家只将观察结果作为输入，并生成带有尽可能多的操作元素的向量作为输出。当代理从给定的观察开始并采取与输出向量中元素位置相对应的操作时，每个元素表示预期的累积长期奖励。

创建一个观察规范对象(或者使用getObservationInfo从环境中提取规范对象)。在本例中，将观测空间定义为连续的四维空间，因此单个观测是包含2个双精度的列向量。

obsInfo = rlNumericSpec([2 1]);

创建一个有限设定的动作规格对象(或可选使用)getActionInfo从具有离散操作空间的环境中提取规范对象)。对于本例，将操作空间定义为一个有限集，包含3个可能的值(命名为7，5,3.在这种情况下)。

actInfo = rlFiniteSetSpec([7 5 3]);

创建一个自定义的基础函数来近似批评家的价值函数。自定义基函数必须返回一个列向量。每个向量元素必须是观测值的函数obsInfo．

myobs = @(myobs) [myobs(2)^2;myobs (1);exp (myobs (2));abs (myobs (1)))

myBasisFcn =function_handle具有值：@ (myobs) [myobs (2) ^ 2; myobs (1); exp (myobs (2)); abs (myobs (1)))

批评家的输出是向量c= W ' * myBasisFcn (myobs),在那里W是一个重量矩阵，必须具有与基函数输出的长度一样多的行，以及多个列作为可能的动作的数量。

当代理从给定的观察开始时，C的每个元素是预期的累积长期奖励，并采取与所考虑的元素的位置对应的动作。W的元素是可学习的参数。

定义一个初始参数矩阵。

W0 =兰德(4,3);

创建一个评论家。第一个参数是一个包含自定义函数句柄和初始参数矩阵的双元素单元格。第二个和第三个参数分别是观察和操作规范对象。

评论家= rlQValueRepresentation ({myBasisFcn, W0}, obsInfo actInfo)

批评家= rlQValueRepresentation与属性:ActionInfo: [1x1 rl.util.]。rlFiniteSetSpec: [1x1 rl.util.]rlNumericSpec] Options: [1x1 rl.option.rlRepresentationOptions]

要检查你的批评家，使用getValue函数使用当前参数矩阵返回随机观测值。注意，这三种可能的操作都有一个值。

v = getValue(评论家,{兰德(2,1)})

V = 3x1 dlarray 2.1395 1.2183 2.3342

现在，您可以使用评论家(以及演员)来创建一个依赖于q值函数评论家(例如rlqagent.，rlDQNAgent， 或者rlSARSAAgent代理人）。

创造一个环境，并获得观察和行动信息。

env = rlPredefinedEnv (“CartPole-Discrete”）;obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);numObs = obsInfo.Dimension (1);numDiscreteAct =元素个数(actInfo.Elements);

为你的批评者创建一个循环的深层神经网络。要创建递归神经网络，请使用sequenceInputlayer.作为输入层，并包含至少一个lstmLayer．

为多输出Q值函数表示创建一个经常性神经网络。

criticNetwork = [sequenceInputLayer(nummobs，“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (50,“名字”，“CriticStateFC1”) reluLayer (“名字”，“CriticRelu1”) lstmLayer (20“OutputMode”，“序列”，“名字”，“CriticLSTM”）;fullyConnectedLayer (20,“名字”，“CriticStateFC2”) reluLayer (“名字”，“CriticRelu2”) fullyConnectedLayer (numDiscreteAct“名字”，“输出”));

用递归神经网络为你的批评者创建一个表示法。

criticOptions = rlRepresentationOptions (“LearnRate”，1e-3，“GradientThreshold”1);评论家= rlQValueRepresentation (criticNetwork obsInfo actInfo,......“观察”，“状态”, criticOptions);