文件名称：RLContinuousActionSpace:在连续状态和动作空间中进行强化学习。 DDPG
文件大小：1.9MB
文件格式：ZIP
更新时间：2024-06-08 02:55:28
Python
RLContinuousActionSpace 在连续状态和动作空间中进行强化学习。 DDPG：深度确定性策略梯度和A3C：异步Actor-Critic代理 注意：环境是随机填充的查找表和模拟物理模型的常量的任意组合。 1°DDPG： 基于带有深度强化学习的持续控制： ： 和来自精彩博客。 这种方法结合了DDQN算法（体验重播和目标网络）的优势以及可输出连续动作的行为者批评结构。 该算法首先在健身房开放式平台的pendulum-v0游戏中进行了验证，然后应用于定制的Envonement EnvPlant.py，模拟了温度模型： OU.py：探索是通过Ornstein-Uhlenbeck过程完成的，它具有便利的均值回复特性。 Models.py：演员，评论家和目标网络的神经网络 演员模型 批评模型 main.py：配置，训练，测试，显示，存储，加载 ReplayBuffer.py
【文件预览】：
RLContinuousActionSpace-master
----RL_A3C()
--------a3c_TempModel.py(15KB)
--------KerasModels()
--------Env_Plant.py(9KB)
----LICENSE(1KB)
----README.md(4KB)
----RL_DDPG()
--------ReplayBuffer.py(1KB)
--------TempConfig.py(1KB)
--------Models.py(5KB)
--------KerasModels()
--------Env_Plant.py(8KB)
--------OU.py(960B)
--------main.py(13KB)
----Env_Plant.png(42KB)