强化学习工具箱™提供了一个应用程序，功能和一个Simulink®块的训练策略使用强化学习算法，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、机器人和自主系统)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找表表示策略和值函数，并通过与MATLAB中建模的环境的交互来训练它们®或仿真软件。您可以评估工具箱中提供的单个或多代理强化学习算法，也可以开发自己的算法。您可以实验超参数设置，监视训练进度，并通过应用程序或编程方式交互模拟训练有素的代理。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，现有的策略可以从深度学习框架中导入，如TensorFlow™Keras和PyTorch(带有深度学习工具箱™)。您可以生成优化的C、c++和CUDA®代码在微控制器和图形处理器上部署训练过的策略。工具箱包括参考示例，以帮助您入门。
开始:
强化学习算法
使用深度q -网络(DQN)、深度确定性策略梯度(DDPG)、近端策略优化(PPO)和其他内置算法创建代理。使用模板为培训策略开发定制代理。
强化学习工具箱中提供的训练算法。
Simulink中的单agent和多agent强化学习
在Simulink中使用RL Agent块创建和训练强化学习代理。在Simulink中使用RL Agent块的多个实例同时训练多个代理(多代理强化学习)。
Simulink的强化学习代理块。
Simulink和Simscape环境
使用Simulink和Simscape™创建环境模型。在模型中指定观察、行动和奖励信号。
两足机器人的Simulink环境模型。
MATLAB环境中
使用MATLAB函数和类对环境建模。在MATLAB文件中指定观察、行动和奖励变量。
一种三自由度火箭的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而且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
使用GPU编码器™从表示训练过的策略的MATLAB代码生成优化的CUDA代码。使用MATLAB编码器™生成C/ c++代码来部署策略。
使用GPU Coder生成CUDA代码。
MATLAB编译器支持
使用MATLAB编译器™而且MATLAB编译器SDK™将训练有素的策略部署为独立的应用程序，C/ c++共享库，Microsoft®net程序集,Java®Python类,®包。
将策略打包并共享为独立的程序。
开始
了解如何为一些问题开发强化学习策略，例如倒转一个简单的钟摆、在网格世界中导航、平衡车杆系统和解决通用马尔可夫决策过程。
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。
水资源分配的资源分配问题。
产品资源:
接下来是什么?
您也可以从以下列表中选择网站: