7.2 DQN实战-实现月球车着陆

二向箔不会思考 2023-01-13 03:36:46

课时名称	课时知识点
7.2 DQN实战-实现月球车着陆	编程实战：实现DQN算法，并使用DQN智能体控制月球车着陆

...全文

268 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

她与残局皆遗憾.. 2022-11-19

打赏
举报

回复

老师您好，请问可以麻烦您打包一份环境配置吗？我的包可能版本不对，运行代码老报错555555555555

二向箔不会思考 2022-11-26

举报

回复

@她与残局皆遗憾.. <p>fengxiaolei_nj@163.com</p>

基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的注释，已经在诸多项目中得到了实际应用。主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。

【DQN】应用于月球着陆器问题的强化学习研究（Matlab代码实现）

案例分析如图1所示，一个小车在一段范围内行驶。在任一时刻，在水平方向看，小车位置的范围是[-1.2,0.6]，速度的范围是[-0.07,0.07]。在每个时刻，智能体可以对小车施加3种动作中的一种：向左施力、不施力、向右施力。智能体施力和小车的水平位置会共同决定小车下一时刻的速度。当某时刻小车的水平位置大于0.5时，控制目标成功达成，回合结束。控制的目标是让小车以尽可能少的步骤达到目标。一般认为，如果智能体在连续100个回合中的平均步数≤110，就认为问题解决了。在绝大多数情况下，智能体简单向右施力并

DQN 跑 CartPole-v1

概述Deep Q-Learning（深度 Q 学习）是一种强化学习算法，用于解决决策问题，其中代理（agent）通过学习在不同环境中采取行动来最大化累积奖励。Lunar Lander 是一个经典的强化学习问题，其中代理的任务是控制一个着陆舱在月球表面着陆，最小化着陆过程中的燃料消耗。以下是使用 Deep Q-Learning 解决 Lunar Lander 问题的基本步骤：环境建模：首先，需要对...

枫老师的课程社区_NO_1

2

社区成员

49

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章