ByteCat

一个使用强化学习解决网络威胁响应问题的案例。

一个使用强化学习解决库存管理问题的案例。

pytorch实现优势动作评论算法(Advantage Actor Critic，A2C)。

Actor-Critic算法由两部分组成：Actor和Critic。其中Actor用的是Policy Gradient，Critic用的是Q-learning，所以它实际上是策略迭代法和价值迭代法的结合。

采用优先级经验回放机制（Prioritized Experience Replay）可以让智能体从过去经验中更高效地学习。

Dueling DQN是DQN的改进，通过调整网络结构使得网络可以学到更为准确的状态价值的估值，从而更有效地找到好的策略（学习所需的试验轮数更少）。

Double DQN是DQN的改进，通过解耦目标Q值动作的选择和目标Q值的计算这两步，来达到消除过度估计的问题。

DQN，全称是Deep Q Network，是一种把Q-Learning和DNN结合起来的模型架构。

深度强化学习是一种使用深度学习来进行强化学习的方法。

用强化学习来学习倒立摆的控制方法，这是一项比迷宫更复杂的任务。