zjh2883的博客

由于两个区块( agentA和agentB)所使用的智能体已经在工作空间中，因此不需要通过它们的观察和动作规范来创建环境。为了创建 actor，首先创建一个具有一个输入，即观察，和一个输出，即动作的深度神经网络。为了创建critic，首先创建一个具有两个输入，即观测和动作，以及一个输出的深度神经网络。在定义观测信号时，通过观测确保所有系统状态都是可观测的。如果拥有一个具有合适的动作输入端口、观测输出端口和标量奖励输出端口的参考模型，则可以自动创建包含该参考模型和RL Agent模块的Simulink模型。

策略(policy)是从环境观测值到计划采取动作的概率分布的映射。价值函数(value/Q-valua function)是从环境观测值(或观测-动作)到策略值的映射。策略的价值被定义为最大化期望累积奖励。强化学习智能体使用参数化策略和价值函数，它们分别由称为Actors和Critics的函数近似器实现。在训练期间，Actors学习选择可采取最佳动作的策略，即通过调整参数使产生更大价值的动作具备更大的概率。

策略(policy)是从环境观测值到计划采取动作的概率分布的映射。价值函数(value/Q-valua function)是从环境观测值(或观测-动作)到策略值的映射。策略的价值被定义为最大化期望累积奖励。强化学习智能体使用参数化策略和价值函数，它们分别由称为Actors和Critics的函数近似器实现。在训练期间，Actors学习选择可采取最佳动作的策略，即通过调整参数使产生更大价值的动作具备更大的概率。

强化学习的目标是训练智能体(agent)在不确定的环境中完成任务。在每个时间间隔，智能体接收来自环境的观测和奖励，并向环境发送一个动作。创建自定义智能体，使用其他学习算法训练策略。

为了指导学习过程，强化学习使用从环境生成的标量奖励信号。该信号衡量agent相对于任务目标的性能。在训练期间，agent会根据收到的不同state-action组合的奖励来更新其策略。一般来说，积极的奖励来鼓励某些agent的行为，消极的奖励（惩罚）会阻止其他行动。

本文介绍如何基于MATLAB创建和修改模板环境类，自定义强化学习环境。1、实施更为复杂的环境动态；2、添加自定义可视化；3、创建以C + +、Java或Python等语言定义的第三方库的接口。

本文介绍如何基于MATLAB编写step、reset函数，创建自己的强化学习环境(Environment)。使用 rlFunctionEnv 函数，可以根据观察(observation)规范、动作(action)规范和自己创建的step、reset函数创建 MATLAB 强化学习环境，并可以在此环境中训练强化学习智能体(agent)。

本文介绍如何基于MATLAB编写step、reset函数，创建自己的强化学习环境(Environment)。Environment建立了与agent存在交互的外部系统模型，并在该环境中训练agent完成任务。