Reinforcement Learning Toolbox™ предоставляет приложение, функции и блок Simulink® для тренировки политик с помощью алгоритмов обучения с подкреплением, включая DQN, PPO, SAC и DDPG. Можно использовать эти политики реализовать контроллеры и алгоритмы принятия решений для сложных приложений, таких как распределение ресурсов, робототехника и автономные системы.
Тулбокс позволяет вам представлять политики и функции ценности с помощью глубоких нейронных сетей или интерполяционных таблиц и обучить их через взаимодействия со средами, смоделированными в MATLAB® или Simulink. Можно оценить сингл - или алгоритмы обучения с подкреплением мультиагента, предоставленные в тулбоксе, или разработать собственное. Можно экспериментировать с установками гиперпараметров, процессом обучения монитора, и симулировать обученных агентов или в интерактивном режиме через приложение или программно. Чтобы улучшить производительность обучения, симуляции могут быть запущены параллельно на нескольких центральных процессорах, графических процессорах, компьютерных кластерах и облаке (с Parallel Computing Toolbox™ и MATLAB Parallel Server™).
Через формат модели ONNX™ существующие политики могут быть импортированы из сред глубокого обучения, таких как TensorFlow™ Keras и PyTorch (с Deep Learning Toolbox™). Можно сгенерировать оптимизированный C, C++ и код CUDA®, чтобы развернуть обученные политики на микроконтроллерах и графических процессорах. Тулбокс включает справочные примеры, чтобы помочь вам начать.
Изучите основы Reinforcement Learning Toolbox
Моделируйте динамику окружения обучения с подкреплением, используя MATLAB
Моделируйте динамику окружения обучения с подкреплением с помощью моделей Simulink
Создайте и сконфигурируйте агентов обучения с подкреплением с помощью общих алгоритмов, таких как SARSA, DQN, DDPG и A2C
Задайте представления политики и функции значения в виде глубоких нейронных сетей и Q-таблиц
Обучите и симулируйте агентов обучения с подкреплением
Генерация кода и развертывание обученных политик