实例介绍
【实例简介】强化学习例程合集25inOne
适合初学者的强化学习例程，均为MATLAB编写
【实例截图】
【核心代码】
.
├── TPW Q-learning_25inONE
│ ├── 10、【验】基于Q学习的路径仿真代码
│ │ └── 基于Q学习的路径仿真代码
│ │ ├── QDemo.m
│ │ ├── Qlearning.m
│ │ └── drnd.m
│ ├── 11、【验】简单实用的matlab源码，描述了Q学习的过程，实现了探索和最优化.适用于初学者
│ │ └── Q-learning
│ │ ├── RandomPermutation.m
│ │ └── ReinforcementLearning.m
│ ├── 12、【验】经典的Q-learning代码,用MATLAB语言编写
│ │ └── ╛¡╡ΣQ-learng┤·┬δ
│ │ ├── Qlearning
│ │ │ ├── QDemo.m
│ │ │ ├── Qlearning.m
│ │ │ ├── ReadMe.txt
│ │ │ └── drnd.m
│ │ └── ReinforcementLearning.m
│ ├── 13、【验】利用q学习的密集蜂窝网络中的功率分配
│ │ └── 【验】利用q学习的密集蜂窝网络中的功率分配
│ │ └── proximity-master
│ │ ├── BaseStation.m
│ │ ├── FemtoStation.m
│ │ ├── FemtoStation_3S.m
│ │ ├── LogDistance.m
│ │ ├── PA_IL_CL.m
│ │ ├── PA_IL_CL2.m
│ │ ├── PA_IL_CL3.m
│ │ ├── PA_RL.m
│ │ ├── PA_RL_permutatedFemtocells.m
│ │ ├── PA_RL_ref.m
│ │ ├── README.md
│ │ ├── RandomPermutation.m
│ │ ├── SINR_FUE_2.m
│ │ ├── SINR_MUE_4.m
│ │ ├── UE.m
│ │ ├── allcomb.m
│ │ ├── drawPlots
│ │ │ ├── DrawGeographic.m
│ │ │ ├── meanOverResults.m
│ │ │ ├── timeComplexity.m
│ │ │ └── timesteps.m
│ │ ├── empiricalLoss.m
│ │ ├── measure_channel.m
│ │ ├── nearest_MUE.m
│ │ ├── npermutek.m
│ │ ├── parallel_R_pro.m
│ │ ├── parfor_progress.m
│ │ ├── pro_32_10_1.mat
│ │ ├── pro_32_11_1.mat
│ │ ├── pro_32_12_1.mat
│ │ ├── pro_32_13_1.mat
│ │ ├── pro_32_14_1.mat
│ │ ├── pro_32_15_1.mat
│ │ ├── pro_32_16_1.mat
│ │ ├── pro_32_1_1.mat
│ │ ├── pro_32_2_1.mat
│ │ ├── pro_32_3_1.mat
│ │ ├── pro_32_4_1.mat
│ │ ├── pro_32_5_1.mat
│ │ ├── pro_32_6_1.mat
│ │ ├── pro_32_7_1.mat
│ │ ├── pro_32_8_1.mat
│ │ ├── pro_32_9_1.mat
│ │ ├── proximity.m
│ │ ├── proximity_R3.m
│ │ ├── runForAll.m
│ │ ├── sarsa.m
│ │ ├── sarsa2.m
│ │ ├── textprogressbar.m
│ │ └── upperBound.m
│ ├── 14、【验】利用强化学习(q-学习)进行基础dsa认知无线电网络的资源分配
│ │ └── Resource-allocation-in-Cognitive-Radio
│ │ ├── AllTogether_New_Docitive.m
│ │ ├── README.md
│ │ ├── argmin_Q.m
│ │ ├── create_state_set.m
│ │ ├── find_idx.m
│ │ ├── findnearest.m
│ │ ├── get_distortion.m
│ │ ├── observe_state.m
│ │ ├── q_learning_allocation2.m
│ │ ├── randomize_G.m
│ │ ├── randomize_G2.m
│ │ ├── set_reqired_trans_rate.m
│ │ └── update_pu_sinr_level.m
│ ├── 15、【验】强化学习matlab源代码很少见的源代码，详细介绍Q学习的编程过程
│ │ └── 强化学习matlab源代码很少见的源代码，详细介绍Q学习的编程过程
│ │ └── Q_learning_Reinforcement_learning.m
│ ├── 16、【验】强化学习Qlearning简单演示
│ │ └── Q-learning
│ │ ├── WS_FTP.LOG
│ │ ├── action_selector.m
│ │ ├── global1.m
│ │ ├── global2.m
│ │ ├── global3.m
│ │ ├── global4.m
│ │ ├── jump_learn.m
│ │ ├── main.m
│ │ ├── pol_finder.m
│ │ ├── qlearn.m
│ │ └── state_finder.m
│ ├── 17、【验】强化学习的q学习算法,能够通过此算法，使得某种动作不断得到加强
│ │ ├── ReinforcementLearning.m
│ │ ├── learning1.m
│ │ ├── learning2.m
│ │ ├── learning3.m
│ │ └── learning4.m
│ ├── 18、【验】强化学习算法q learning
│ │ └── Reinforcment-Learning-With-Q-Learning
│ │ └── Matlab
│ │ ├── NN_upload_dynamic.mat
│ │ ├── NN_upload_static.mat
│ │ ├── Q-Table_upload_dynamic.mat
│ │ ├── Q-Table_upload_static.mat
│ │ ├── Q-tabell&stateSpace.txt
│ │ ├── actionList.m
│ │ ├── checkCrash.m
│ │ ├── circle.m
│ │ ├── circularMotion.m
│ │ ├── computeQEstimate.m
│ │ ├── createCarCircle.m
│ │ ├── createQTable.m
│ │ ├── createSimulation.m
│ │ ├── createStadium.m
│ │ ├── createStateSpace.m
│ │ ├── discretization.m
│ │ ├── doActionCircle.m
│ │ ├── funPause1.m
│ │ ├── funPause2.m
│ │ ├── funReset1.m
│ │ ├── funReset2.m
│ │ ├── funSave1.m
│ │ ├── funSave2.m
│ │ ├── funStart1.m
│ │ ├── funStart2.m
│ │ ├── funUpload1.m
│ │ ├── funUpload2.m
│ │ ├── getBestAction.m
│ │ ├── getReward.m
│ │ ├── gradientDescent.m
│ │ ├── initSimulation.m
│ │ ├── main.m
│ │ ├── moveCarCircle.m
│ │ ├── moveSensor.m
│ │ ├── nnBackPropagation.m
│ │ ├── nnEpsilonGreedyExploration.m
│ │ ├── nnFeedForward.m
│ │ ├── nnGetReward.m
│ │ ├── nnSoftMaxSelection.m
│ │ ├── nnTrials.m
│ │ ├── nnWeights.txt
│ │ ├── obstacleCrash.m
│ │ ├── randInitializeWeights.m
│ │ ├── sensorValues.m
│ │ ├── setprod.m
│ │ ├── softMaxSelection.m
│ │ ├── tableEpsilonGreedyExploration.m
│ │ ├── tableTrials.m
│ │ ├── tanhActivation.m
│ │ ├── tanhDerivative.m
│ │ └── updateQTable.m
│ ├── 19、【验】强化学习中的一个重要里程碑就是Q学习算法，使用matlab 进行单步Q学习无障碍路径规划仿真，设学习次数为200
│ │ └── matlab Q学习仿真
│ │ ├── QDemo.asv
│ │ ├── QDemo.m
│ │ ├── Qlearning.asv
│ │ ├── Qlearning.m
│ │ ├── ReadMe.txt
│ │ ├── drnd.asv
│ │ └── drnd.m
│ ├── 1、【验】GUI基于增强学习Q-learning方法的路径规划matlab仿真程序
│ │ └── Q-Learing路径规划MATLAB仿真
│ │ ├── 17-04-13.tif
│ │ ├── Activity.m
│ │ ├── InitrialQ.m
│ │ ├── InitrialQ_Poe.m
│ │ ├── MovRobot.m
│ │ ├── MyAlgorithm.m
│ │ ├── PathPlanning.fig
│ │ ├── PathPlanning.m
│ │ ├── PlotSTD.m
│ │ ├── PlotStats.m
│ │ ├── Replay.m
│ │ ├── Sensor.m
│ │ ├── exportfig.m
│ │ ├── filename.eps
│ │ ├── hs_err_pid4776.log
│ │ ├── inf.mat
│ │ ├── ndi2lin.m
│ │ ├── 说明.txt
│ │ └── 系统简介.txt
│ ├── 20、【验】实现Q学习算法，动作选择策略为贪婪策略，存在收敛判断条件
│ │ └── Q学习
│ │ ├── Qlearningmain.m
│ │ └── choose_action.m
│ ├── 21、【验】使用dqn(深度q学习)在dwa（动态窗口方法）中学习每个paras的权重
│ │ └── DQN_of_DWA_matlab-master
│ │ ├── Agent
│ │ │ ├── AgentLearn.m
│ │ │ ├── AgentOutput.m
│ │ │ ├── BackPro.m
│ │ │ ├── CreateNeuralNetneural.m
│ │ │ ├── ForwardPro.m
│ │ │ └── NetSetUp.m
│ │ ├── DQN.m
│ │ ├── Environment
│ │ │ ├── Environment.m
│ │ │ ├── GetCurSurOb.m
│ │ │ ├── GoalRandGen.m
│ │ │ ├── InitialState.m
│ │ │ └── LocalPathPlanning.m
│ │ ├── Ob.png
│ │ └── README.md
│ ├── 22、【验】使用基于栅格地图的Q-learning进行路径规划
│ │ └── Q.m
│ ├── 23、【验】文档 程序 Q-learning 算法实现AGV的最优路径规划，实测效果非常好
│ │ └── 【验】文档 程序 Q-learning 算法实现AGV的最优路径规划，实测效果非常好
│ │ ├── RandomPermutation.m
│ │ ├── ReinforcementLearning.docx
│ │ └── ReinforcementLearning.m
│ ├── 24、【验】在matlab中实现q-学习强化算法
│ │ └── Q-Learning-Algorithm-Implementation-in-MATLAB-master
│ │ ├── LICENSE
│ │ ├── README.md
│ │ ├── RandomPermutation.m
│ │ ├── ReinforcementLearningGreedy.m
│ │ ├── ReinforcementLearningUpdateR.m
│ │ ├── ReinforcementLearning_RandomPol.m
│ │ ├── RewardMatrix100.m
│ │ ├── RewardMatrix25.m
│ │ ├── RewardMatrixNoPunishment.csv
│ │ └── RewardMatrixPunishment.csv
│ ├── 25、【验】在动态环境中使用Q学习优化算法进行优化
│ │ └── The-Use-of-Q-learning-for-Optimization-in-Dynamic-Environments-master
│ │ ├── DEQ
│ │ │ ├── Constant_Basis_Function.m
│ │ │ ├── Peak_Function1.m
│ │ │ ├── Peak_Function_Cone.m
│ │ │ ├── change_peaks.m
│ │ │ ├── change_stepsize_linear.m
│ │ │ ├── change_stepsize_random.m
│ │ │ ├── current_peak_calc.m
│ │ │ ├── deq.m
│ │ │ ├── dummy_eval.m
│ │ │ ├── eval_movpeaks.m
│ │ │ ├── ffa_move.m
│ │ │ ├── findrange.m
│ │ │ ├── fitness.m
│ │ │ ├── free_peaks.m
│ │ │ ├── getCurrentPeak.m
│ │ │ ├── getMaxCoordinate.m
│ │ │ ├── getMaxHeight.m
│ │ │ ├── getMaximumPeak.m
│ │ │ ├── getMinCoordinate.m
│ │ │ ├── getPeakHeights.m
│ │ │ ├── getPeakPositions.m
│ │ │ ├── get_avg_error.m
│ │ │ ├── get_current_error.m
│ │ │ ├── get_number_of_evals.m
│ │ │ ├── get_offline_error.m
│ │ │ ├── get_offline_performance.m
│ │ │ ├── get_right_peak.m
│ │ │ ├── init_ffa.m
│ │ │ ├── init_parameters.m
│ │ │ ├── init_peaks.m
│ │ │ ├── main.m
│ │ │ ├── movpeaks.m
│ │ │ ├── printPeakData.m
│ │ │ ├── set_global.m
│ │ │ ├── startup.m
│ │ │ └── testtest.m
│ │ └── README.md
│ ├── 2、【验】q learning 时的钟摆摆动问题
│ │ └── MATLAB-Reinforcement-Learning-Pendulum
│ │ ├── QlearnPend.m
│ │ └── README.md
│ ├── 3、【验】q learning 写的hanoi塔,增强学习使用。汉诺塔
│ │ └── qhanoi
│ │ ├── fillin.m
│ │ ├── iter.m
│ │ ├── output.m
│ │ ├── printState.m
│ │ └── qhanoi.m
│ ├── 4、【验】q-learning的一个解释性例子运行后可输出结果
│ │ └── q-learning的一个解释性例子运行后可输出结果
│ │ ├── RandomPermutation.m
│ │ └── ReinforcementLearning.m
│ ├── 5、【验】Q学习最优路径学习程序，动态显示学习过程和试验次数
│ │ └── QDemo.m
│ ├── 6、【验】对Q-learning算法进行了实现，并利用Q-learning算进行路径规划
│ │ └── Reinforcment-Learning-With-Q-Learning-master
│ │ └── Matlab
│ │ ├── NN_upload_dynamic.mat
│ │ ├── NN_upload_static.mat
│ │ ├── Q-Table_upload_dynamic.mat
│ │ ├── Q-Table_upload_static.mat
│ │ ├── Q-tabell&stateSpace.txt
│ │ ├── actionList.m
│ │ ├── checkCrash.m
│ │ ├── circle.m
│ │ ├── circularMotion.m
│ │ ├── computeQEstimate.m
│ │ ├── createCarCircle.m
│ │ ├── createQTable.m
│ │ ├── createSimulation.m
│ │ ├── createStadium.m
│ │ ├── createStateSpace.m
│ │ ├── discretization.m
│ │ ├── doActionCircle.m
│ │ ├── funPause1.m
│ │ ├── funPause2.m
│ │ ├── funReset1.m
│ │ ├── funReset2.m
│ │ ├── funSave1.m
│ │ ├── funSave2.m
│ │ ├── funStart1.m
│ │ ├── funStart2.m
│ │ ├── funUpload1.m
│ │ ├── funUpload2.m
│ │ ├── getBestAction.m
│ │ ├── getReward.m
│ │ ├── gradientDescent.m
│ │ ├── initSimulation.m
│ │ ├── main.m
│ │ ├── moveCarCircle.m
│ │ ├── moveSensor.m
│ │ ├── nnBackPropagation.m
│ │ ├── nnEpsilonGreedyExploration.m
│ │ ├── nnFeedForward.m
│ │ ├── nnGetReward.m
│ │ ├── nnSoftMaxSelection.m
│ │ ├── nnTrials.m
│ │ ├── nnWeights.txt
│ │ ├── obstacleCrash.m
│ │ ├── randInitializeWeights.m
│ │ ├── sensorValues.m
│ │ ├── setprod.m
│ │ ├── softMaxSelection.m
│ │ ├── tableEpsilonGreedyExploration.m
│ │ ├── tableTrials.m
│ │ ├── tanhActivation.m
│ │ ├── tanhDerivative.m
│ │ └── updateQTable.m
│ ├── 7、【验】二维到三维的基于强化学习的路径规划
│ │ └── Q-learning
│ │ ├── Untitle2d.m
│ │ ├── Untitled.m
│ │ ├── Untitled122.m
│ │ ├── Untitled2.m
│ │ ├── Untitled3333.m
│ │ ├── Untitled3333222.m
│ │ ├── dd.jpg
│ │ ├── ddd.jpg
│ │ ├── erwei.m
│ │ ├── findmaxx.m
│ │ ├── huatu.m
│ │ ├── jjj.jpg
│ │ ├── jpp.jpg
│ │ ├── luji.jpg
│ │ ├── lujibianhua.jpg
│ │ ├── nihe.m
│ │ ├── untitled.jpg
│ │ ├── wert.m
│ │ ├── xxx.mat
│ │ ├── zhixian.m
│ │ ├── zui.mat
│ │ ├── zzz.mat
│ │ ├── 微信截图_20201227013004.png
│ │ └── 微信图片_20201228075443.png
│ ├── 8、【验】关于增强学习的一个例子，Q-learning算法
│ │ └── Q-learning
│ │ ├── WS_FTP.LOG
│ │ ├── action_selector.m
│ │ ├── global1.m
│ │ ├── global2.m
│ │ ├── global3.m
│ │ ├── global4.m
│ │ ├── jump_learn.m
│ │ ├── main.m
│ │ ├── pol_finder.m
│ │ ├── qlearn.m
│ │ └── state_finder.m
│ └── 9、【验】基础的Q学习代码，可以帮助初学者理解和使用Q学习算法
│ └── Q-Learning.m
└── 强化学习例程合集25inOne_MATLAB_Q-learning_25inONE.rar
55 directories, 331 files
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论