开始强化学习工具箱
使用强化学习设计和训练策略
强化学习工具箱™提供了一个应用程序、函数和一个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来实现复杂应用程序(如资源分配、机器人和自主系统)的控制器和决策算法。
该工具箱允许您使用深度神经网络或查找表来表示策略和值函数,并通过与MATLAB建模的环境交互来训练它们®或仿真软件。您可以评估工具箱中提供的单一或多智能体强化学习算法,也可以开发自己的算法。您可以实验超参数设置,监控训练进度,并通过应用程序或编程方式以交互方式模拟训练过的代理。为了提高训练性能,模拟可以在多个cpu、gpu、计算机集群和云中并行运行(使用并行计算工具箱™和MATLAB并行服务器).
通过ONNX™模型格式,可以从TensorFlow™Keras和PyTorch(带有深度学习工具箱™)等深度学习框架导入现有策略。您可以生成优化的C, c++和CUDA®代码,在微控制器和gpu上部署训练好的策略。工具箱包括参考示例,以帮助您入门。
教程
- MDP环境下训练强化学习代理
在一般的马尔可夫决策过程环境中训练一个强化学习代理。
- 在Basic Grid World中训练强化学习代理
训练Q-learning和SARSA代理在MATLAB中求解网格世界。
- 创建Simulink环境和训练代理
以Simulink中建模的植物为训练环境,使用强化学习训练控制器。
- 使用强化学习设计器设计和训练智能体
设计和训练一个车杆系统的DQN代理强化学习设计师应用程序。
关于强化学习
- 什么是强化学习?
强化学习是一种目标导向的计算方法,计算机通过与不确定的动态环境交互来学习执行任务。
- 强化学习在控制系统中的应用
你可以训练一个强化学习代理来控制一个未知的植物。