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，可以在多个cpu、gpu、计算机集群和云上并行运行模拟(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。