强化学习在二十一点 用于玩二十一点变体的几种强化学习算法的实现 为了运行所有算法，只需运行 main.py。 这将执行 test_all_algorithms() 函数，该函数运行 MC、SARSA 和线性函数近似与 SARSA，并带有显示结果的图。 其他模块的详细信息： environment.py - 包含 step() 函数和环境的实现 rl_algorithms - 包含 MC、SARSA 和线性函数逼近 plotting.py - 包含绘制值函数、SARSA 和 LFA 结果的函数 policy.py - 放置策略的地方，目前只包含 epsilon 贪婪策略 Utility.py - 计算均方误差并将状态转换为 LFA 的特征向量

深度SARSA和深度Q学习-LunarLander-v2 环境 在这个项目中，我试图从OpenAI体育馆解决Lunar Lander环境。这是一个二维环境，其目的是教导登月舱模块安全地着陆在固定在点（0,0）的着陆垫上。该代理具有3个推进器：一个在模块的底部，另一个在模块的每一侧。因此，代理人在每个时间步长都有4种可能的动作可供选择：发射每个推进器或什么也不做。给予坐席的奖励取决于许多因素：发射底部推进器会产生-0.3的奖励，而发射侧面推进器会产生-0.03的奖励。如果探员安全地降落在着陆垫上，将获得+100分的奖励，此外，与地面接触的模块的每条腿都将获得+10分的奖励。当代理程序着陆或崩溃时，已达到终端状态。为了检测终端状态，可以提取一个状态向量，该状态向量指示代理的位置，其当前速度和环境着陆标志，以指示腿是否与地面接触。还可以提取代表环境中代理图片的RGB阵列。最后，要解决此问题并确定

经过算法改进，实现了比Q学习更快的收敛速度，可以快速的找到最短路径，程序使用了matlab语言，适合初学者，也适合科研硕士研究。

火炬RL RL方法的Pytorch实现 支持具有连续和离散动作空间的环境。 支持具有1d和3d观察空间的环境。 支持多进程环境 要求 一般要求 火炬1.7 健身房（0.10.9） Mujoco（1.50.1） 列表（用于日志） tensorboardX（日志文件输出） 张量板要求 Tensorflow：启动tensorboard或读取tf记录中的日志 安装 使用use environment.yml创建虚拟环境 conda create -f environment.yml source activate py_off 手动安装所有要求 用法 在配置文件中指定算法的参数，并在参数中指定日志目录/种子/设备 python examples/ppo_continuous_vec.py --config config/ppo_halfcheetah.json --seed 0 --device 0 --id ppo_halfcheetah 结帐示例文件夹以获取详细信息 目前包含： 政策上的方法： 加强 A2C（演员评论家） PPO（近端政策优化）

资源其中包括A3C ,DQN ,PPO,概率图论及Sutton强化学习导论的教材等，具有很好的学习价值

广告优化：使用强化学习算法（如汤普森采样和上限可信度）来优化最佳广告

gym-gazebo2是一个工具包，用于开发和比较使用ROS 2和Gazebo的强化学习算法

研究了基于深度强化学习算法的自主式水下航行器（AUV）深度控制问题。区别于传统的控制算法，深度强化学习方法让航行器自主学习控制律，避免人工建立精确模型和设计控制律。采用深度确定性策略梯度方法设计了actor与critic两种神经网络。actor神经网络给出控制策略，critic神经网络用于评估该策略，AUV的深度控制可以通过训练这两个神经网络实现。在OpenAI Gym平台上仿真验证了算法的有效性。

TensorFlow2中的深度强化学习 是一个使用实现各种流行的深度强化学习算法的存储库。 该存储库的关键是易于理解的代码。 因此，如果您是学生或研究深度强化学习的研究人员，我认为这是使用此存储库学习的最佳选择。 一种算法仅依赖于一个python脚本文件。 因此，您不必进出不同的文件即可研究特定的算法。 该存储库将不断更新，并将继续添加新的“深度强化学习”算法。 演算法 DQN 纸上 作者Volodymyr Mnih，Koray Kavukcuoglu，David Silver，Alex Graves，Ioannis Antonoglou，Daan Wierstra，Martin Rie

Reinforcement Learning implementations and research prototyping in TensorFlow