文件名称：matlab代码做游戏-DeepRL-Nanodegree-Project3-CollaborationAndCompetition:Udac
文件大小：2.26MB
文件格式：ZIP
更新时间：2024-06-10 07:55:52
系统开源
matlab代码做游戏DeepRL-Nanodegree-Project3（合作与竞争） 在此项目中，我们将使用多代理深度确定性策略梯度（MADDPG）算法来训练两个代理打网球！ 环境说明 设置：两人游戏，代理人控制球拍在球网上弹跳。 目标：特工必须互相反弹，同时不得摔落或将球送出界外。 代理：环境包含两个链接到一个名为TennisBrain的单个Brain的代理。 训练后，您可以将另一个名为MyBrain的Brain附加到其中一个代理上，以与您训练有素的模型对战。 座席奖励功能（独立）： 球网命中时+0.1向探员。 -0.1致使球撞到地面或越界击球的探员。 大脑：一个具有以下观察/动作空间的大脑。 向量观察空间：8个变量，分别对应于球和球拍的位置和速度。 矢量动作空间：（连续）大小为2，对应于朝向网或远离网的运动并跳跃。 视觉观察：无。 重置参数：一个，对应于球的大小。 基准平均奖励：2.5 下载说明 如果您想在计算机上尝试此算法，请按照以下说明进行操作。 首先，您至少需要在系统上安装Python 3.6。 您还将需要这些库来帮助运行代码。 一旦安装了Python，就可以使用终端上的
【文件预览】：
DeepRL-Nanodegree-Project3-CollaborationAndCompetition-master
----checkpoint_actor_agent_0.pth(182KB)
----REPORT.md(5KB)
----agent.py(9KB)
----images()
--------Figure_2.png(23KB)
--------Figure_1.png(24KB)
--------trained_agent.gif(1.64MB)
----checkpoint_critic_agent_1.pth(182KB)
----checkpoint_actor_agent_1.pth(182KB)
----CollaborationAndCompetition_Test.py(3KB)
----CollaborationAndCompetition_Train.py(5KB)
----checkpoint_critic_agent_0.pth(182KB)
----model.py(3KB)
----README.md(5KB)