代理

使用常用算法(如SARSA、DQN、DDPG和PPO)创建和配置强化学习代理

强化学习代理接收来自环境的观察和奖励。使用它的策略，智能体根据观察和奖励选择一个行动，并将该行动返回给环境。在训练过程中，智能体根据动作、观察和奖励不断更新策略参数。这样做可以让智能体学习给定环境和奖励信号的最优策略。

强化学习工具箱™软件提供了使用几种常见算法的强化学习代理，如SARSA、DQN、DDPG和PPO。您还可以通过创建自己的自定义代理来实现其他代理算法。

有关更多信息，请参见强化学习代理．有关定义策略表示的详细信息，请参见创建策略和值函数．

应用程序

设计、训练和模拟强化学习代理

强化学习剂

`rlQAgent`	Q-learning强化学习代理
`rlSARSAAgent`	SARSA强化学习剂
`rlDQNAgent`	深度q网络(Deep Q-network, DQN)强化学习剂
`rlPGAgent`	策略梯度强化学习代理
`rlDDPGAgent`	深度确定性策略梯度(DDPG)强化学习代理
`rlTD3Agent`	双延迟深度确定性策略梯度强化学习代理
`rlACAgent`	演员-评论家强化学习代理
`rlSACAgent`	软演员-评论家强化学习代理
`rlPPOAgent`	近端策略优化强化学习代理
`rlTRPOAgent`	信任域策略优化强化学习代理

`rlQAgentOptions`	q学习代理的选项
`rlSARSAAgentOptions`	SARSA代理选项
`rlDQNAgentOptions`	DQN代理选项
`rlPGAgentOptions`	PG代理选项
`rlDDPGAgentOptions`	DDPG代理选项
`rlTD3AgentOptions`	TD3代理的选项
`rlACAgentOptions`	AC剂的选择
`rlPPOAgentOptions`	PPO药剂的选择
`rlTRPOAgentOptions`	TRPO代理选项
`rlSACAgentOptions`	SAC代理选项
`rlAgentInitializationOptions`	初始化强化学习代理的选项

`rlMBPOAgent`	基于模型的策略优化强化学习代理
`rlMBPOAgentOptions`	MBPO代理选项

getAction 从给定环境观察的代理、参与者或策略对象获取操作

`rlReplayMemory`	回放记忆体验缓冲器
`rlPrioritizedReplayMemory`	重放内存经验缓冲优先级抽样
`附加`	附加经验重放内存缓冲区
`样本`	从重放内存缓冲区的示例经验
`调整`	调整重放内存经验缓冲区大小
`allExperiences`	在重放内存缓冲区中返回所有经验

`getActionInfo`	从强化学习环境、智能体或经验缓冲区中获取动作数据规范
`getObservationInfo`	从强化学习环境、agent或经验缓冲区中获取观测数据规范

`重置`	重置环境、代理、经验缓冲区或策略对象