这篇博客主要介绍了如何使用MATLAB的Reinforcement Learning Toolbox进行强化学习，包括搭建Simulink环境，定义RL Agent，设置环境参数，设计DDPG神经网络，以及奖励函数的实现。此外，还讨论了在模型中遇到的问题，如DDPG网络的结构选择，以及如何定义action和observation的连续空间。同时，提到了ResetFcn的重要性以及Rate Transition Block在不同采样时间情况下的应用。
前言
记录 reinforcement learning toolbox tutorial & examples 中的一些 function & concepts
Reinforcement Learning Toolbox
基本流程
1 . 搭建 simulink 模型
Create Simulink Environment and Train Agent
引入toolbox中的RL Agent，定义action与自己的模型交互，模型行动完得到的数据再用来计算isdone, observation, reward 信号，然后Agent里的critic,actor计算出action再进入下一个采样周期。
2 . 定义好顶
最低0.47元/天 解锁文章
扫一扫
9121
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
