强化学习超进化：经典问题 30 年后惊现闭式解；TensorFlow2 强化学习教程 GitHub 代码大公开

最新推荐文章于 2024-06-21 16:07:05 发布
最新推荐文章于 2024-06-21 16:07:05 发布
阅读量586 收藏 3
点赞数
分类专栏： 强化学习 文章标签： 强化学习 TensorFlow TensorFlow 2 Gym OpenAI-Gym
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhiqingxiao/article/details/102870708
版权
30年后，强化学习经典控制问题MountainCar-v0出现闭式解，仅依赖简单不等式。同时，配套TensorFlow2的强化学习教程《强化学习：原理与Python实现》公开，融合多种经典教程，提供完备理论与实践代码，成为全球首本TensorFlow 2强化学习教程。
摘要由CSDN通过智能技术生成

强化学习经典控制问题 30 年后惊现闭式解

MountainCar-v0 是 Andrew Moore 在 1990 年提出的控制问题，提出后受到强化学习界的广泛关注，并收录到强化学习影响力最大的环境库之一 Gym 中，成为大多数强化学习教程中必用的环境。
在这里插入图片描述
图1 经典控制问题MountainCar-v0（图片来源：https://gym.openai.com/envs/MountainCar-v0/）

2019 年，OpenAI Gym Leaderboard 上出现了对该环境求解的突破性进展：上面显示了一个仅用很少的回合就可以完成学习的强化学习代码，又给出了一个不需要学习的闭式解。

更令人惊奇的是，这个闭式解只依赖于一个不等式，并且这个不等式只用到四次多项式。他在满足这个不等式时采用一种动作，不满足时采用另外一种动作，这样竟然就能解决这个问题。

这两种解法目前位于 OpenAI Gym 的排行榜的前两名。

第一名就是用不等式的闭式解，第二名则用了强化学习中的资格迹算法。

第二名解法用了75个回合数据就解决了问题，数据利用率是排名第三的算法（用了341个回合数据）的4.5倍。
在这里插入图片描述
图2 MountainCar-v0排行榜页面（图片来源：h

最低0.47元/天 解锁文章
Zhiqing Xiao
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Github一个深度强化学习算法库
ZYunfei的博客
03-31 1095
收集整理了一个深度强化学习算法库，特点：代码简洁易懂，性能好，现已打包好至github：DRL_algorithm_library。 包含代码以及对应论文： DDPG PPO+GAE TD3 SAC MADDPG
TensorFlow2深度学习实战（十八）：目标检测算法YOLOv4-Tiny实战
不积跬步，无以至千里！
05-30 4107
手把手搭建YOLOv4-Tiny轻量级目标检测网络！
tf2rl：TensorFlow2强化学习
02-06
TF2RL TF2RL是一个深度强化学习库，它使用TensorFlow 2.x实现了各种深度强化学习算法。 演算法 支持以下算法： 算法 分立行动 持续动作 支持 类别 ， ✓ ✓ 免模型按策略RL （包括 ， ， ， ， ） ✓ -- 免模型离网RL （包括和 ） -- ✓ 免模型离网RL ✓ ✓ 免模型离网RL -- ✓ -- 免模型离网RL ， ✓ ✓ -- 基于模型的RL ， ， （包括） ✓ ✓ -- 模仿学习 以下文件已在tf2rl中实现： 免模型按策略RL ， ， ， 免模型离网RL ， ， ， ， ，
tensorflow2实现多智能体强化学习算法MADDPG
最新发布
Er_Studying_Bai的博客
06-21 682
使用tensorflow2实现MADDPG算法，包含讲解
GitHub：Python 强化学习实用指南
RToax
03-20 1796
GitHub地址：https://github.com/PacktPublishing/Hands-On-Reinforcement-Learning-with-Python
关于总结github上的强化学习代码库（建议收藏，有需要时翻开）
再来一下！
09-12 1499
游戏：DRL 在电子游戏领域取得了巨大成功，例如 AlphaGo 和 AlphaZero 在围棋、国际象棋和将棋等棋类游戏中的胜利，以及深度Q网络（Deep Q-Network，DQN）在 Atari 游戏上的表现。这只是深度强化学习应用领域的一部分示例，随着研究的进展和技术的发展，DRL 在更多领域将继续发挥重要作用。
没想到强化学习这么火 github
冬炫的博客
10-08 260
https://github.com/simoninithomas/Deep_reinforcement_learning_Course https://github.com/aikorea/awesome-rl https://github.com/andri27-ts/Reinforcement-Learning https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On https://github.com/u
DDPG强化学习pytorch代码
blanokvaffy的博客
01-10 1万+
DDPG强化学习pytorch代码 参照莫烦大神的强化学习教程tensorflow代码改写成了pytorch代码。 具体代码如下. ''' torch = 0.41 ''' import torch import torch.nn as nn import torch.nn.functional as F import numpy as np import gym import time ##...
深度强化学习系列(14): A3C算法原理及Tensorflow实现
深度强化学习(DeepRL)探索博客
06-26 1万+
在DQN,DDPG算法中我们用到了一个非常重要的思想就是经验回放 本文首先从论文《Asynchronous Methods for Deep Reinforcement Learning》解读开始，这篇论文是Google于ICML2016顶会上发的，点击查看原始论文，当然里面的其中一直作者就是男神David Sliver，先放个论文照片！ 从论文title中就可以看出是关于Asynchro...
PyTorch强化学习实战（1）——强化学习环境配置与PyTorch基础
热门推荐
盼小辉丶的博客
05-29 10万+
工欲善其事，必先利其器。为了更专注于学习强化学习的思想，而不必关注其底层的计算细节，我们首先搭建相关强化学习环境，包括 PyTorch 和 Gym，其中 PyTorch 是我们将要使用的主要深度学习框架，Gym 则提供了用于各种强化学习模拟和任务的环境。除此之外，本文还介绍了一些 PyTorch 的基础知识，以及 Gym 环境的使用方法，为之后的强化学习实战奠定基础。
TensorFlow2深度学习实战（十六）：目标检测算法Faster R-CNN解析
不积跬步，无以至千里！
10-19 3367
本专栏以理论与实战相结合的方式，左手看论文，右手撸代码，带你一步步掌握深度学习原理和源码，玩转计算机视觉领域中的三大基本任务：图像分类、目标检测、语义分割。
Python-TensorFlow实现的强化学习算法集锦
08-11
Reinforcement Learning implementations and research prototyping in TensorFlow
Hands-on-Deep-Learning-with-TensorFlow-2.0:使用Tensorflow 2.0从零开始实现自己的深度学习模型
05-27
使用TensorFlow-2.0进行深度学习 使用Tensorflow 2.0从零开始实现自己的深度学习模型 这是由发布的的代码存储库。 它包含从头到尾完成视频课程所需的所有支持项目文件。 关于视频课程 您是否渴望深入研究神经网络的细节，并愿意尝试使用它？ 您是否想学习深度学习技术，以使用最新的Tensorflow 2.0构建项目。 您可以使用Keras，但这是一个高级实现，它本身在后端使用Tensorflow，并且在TensorflowKeras之前，您无法在模型中进行最高级别的更改。 一位优秀的数据科学家必须具备幕后运作方式的技能。 本课程将通过提供Tensorflow 2.0的实践知识，帮助您成为一名优秀的数据科学家。 您将实现真正的深度学习算法，并将在所有实现中使用。 使用实现，您将学习神经网络的核心细节，例如正向传播，即如何初始化权重和反向传播，即如何使用梯度下降算法更新权重，成
python学强化学习
pp125012的博客
08-23 582
在看github上的代码 看python版本 sys.version_info[0]  
强化学习常见案例
Castlehe的博客
01-28 5669
入门强化学习的时候，看到许多教程都给了很多强化学习的例子，有些是视频，有些是线上一些可以自己改参数看效果的游戏，这里做一个归类整理 有趣的强化学习视频 小红小蓝捉迷藏的链接: https://openai.com/blog/emergent-tool-use/ 相应的视频应该是来自b站，（直接搜索emergent-tool-use 也会有很多类似的视频）【AI捉迷藏】初代天网？[中文字幕] Multi-Agent Hide and Seek 红球绿球链接： https://github.com/Padd
Minimum snap matlab 代码（二）- 闭式解求解参数
虎哥的铲屎员
05-28 1157
文章目录1.用优化solver求解参数算法概况2.闭式解求解参数代码2.1 得到M矩阵2.2计算C矩阵 1.用优化solver求解参数算法概况 具体看Minimum Snap轨迹规划详解(二)- 闭式求解 J=pTQp=[dFdP]TCTM−TQM−1C[dFdP]=[dFdP]TR[dFdP]=[dFdP]T[RFFRFPRPFRPP][dFdP]=dFTRFFdF+dFTRFPdP+dPTRPFdF+dPTRPPdP \begin{aligned} J&=p^TQp = \begin{bmatr
超启发式
constant_study的博客
08-20 921
超启发式 是什么 怎么实现 应用 1. 是什么 启发式： 根据某种经验进行迭代求解，需要对要解决的问题有深入的认识，比如要确定天亮的时间，可以根据晨晓鸡叫这个经验来确定，听到鸡叫判断天亮，也可以根据其他的启发规则来确定。再比如预测下雨，可以根据蚂蚁搬家启发，也可以根据蛇过道启发，还可以根据云和夜色来启发。 元启发式： 不需要专业知识对问题求解，只根据一些通用的求解规则，比如临近原则，当前最优解的周围可能存在着更优解；比如历史信息，在一个位置找到更优解，那么最优解有可能就出现在多个历史最优附近。 群智能
强化学习原理与python实现原理pdf_纯Python实现！Facebook发布PyTorch分布式强化学习库...
weixin_39638048的博客
12-16 590
图灵TOPIA来源：Facebook编译：刘静图灵联邦编辑部出品Facebook于近日发布了PyTorch中用于强化学习(RL)研究的平台：TorchBeast。TorchBeast实现了流行的IMPALA算法的一个版本，用于RL代理的快速、异步、并行训练。另外，TorchBeast将简单性作为明确的设计目标：提供了纯Python实现(“ MonoBeast”)以及多机高性能版本(“ P...
DRL深度强化学习代码实战1——MountainCar-v0小车成功登顶
各位大计佬，请教我技术！
05-12 1910
DRL代码实战1——如果你是刚刚接触DRL的同学，那么本文的内容就是引你入胜的第一个小实验。DRL的学习离不开理论知识，但更不能缺少代码实践！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值