- 博客(3)
- 收藏
- 关注
RSS订阅原创 强化学习飞行器智能决策python——中段突防
本文介绍了基于强化学习的多智能体对抗训练系统，主要包括三个核心模块：1) 常规训练模块(train)实现"经验收集-网络更新-结果记录"的循环训练流程；2) 元学习模块(train_meta)在预训练模型基础上进行快速场景适应优化；3) 可视化模块(display)用于策略性能评估和轨迹展示。系统采用TD3/MASAC等算法，支持静态/动态威胁环境下的协同对抗训练，通过配置类集中管理参数，实现了50次试验96%的成功率。实验结果表明，该系统能有效处理复杂环境中的多智能体协同决策问题。
2025-09-17 20:46:44
1684
原创 强化学习python零基础实战2——常用激活函数的可视化
该代码实现了四种常用激活函数的可视化对比：sigmoid、softplus、leakyrelu和mish。sigmoid输出S形曲线（0,1），适合概率输出；leakyrelu在负区间保留小斜率(0.1)，避免神经元死亡；mish结合tanh和softplus，具有平滑特性和稳定梯度。通过matplotlib绘制了三种函数在[-5,5]区间的曲线图，使用不同颜色标注并添加图例，最终保存为600dpi的图像文件。结果直观展示了各函数的特点：sigmoid的饱和性、leakyrelu的分段线性性以及mish的平
2025-09-17 09:59:15
344
原创 强化学习python零基础实战1——随机智能体（Random Agent）
摘要：本文介绍了一个使用Python和gym库实现随机动作策略的强化学习程序。该程序在CartPole-v1环境中运行10个episode，每个episode随机选择左右推动小车的动作，并记录杆子保持平衡的步数。关键步骤包括：导入gym和numpy库、创建不渲染的环境对象、执行随机动作策略、统计每个episode的步数并计算平均值。文中还解释了gym.make()函数、环境渲染模式选择（None/human/rgb_array/ansi）以及环境对象的基本方法（reset/step/close）。
2025-09-12 11:01:16
1696
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人