벤치마크 예제

강화 학습 에이전트를 비교하기 위한 벤치마크 문제

강화 학습 에이전트는 그 유형이 다양할 뿐만 아니라 각각의 장단점이 각양각색이면서도 상호 보완적인 경우가 많습니다. 다양한 벤치마크 문제를 대상으로 여러 에이전트의 성능을 비교합니다.

튜토리얼

Compare Agents on Discrete Double-Integrator
Compare default agents on the MATLAB^® discrete action space double-integrator environment.
Compare Agents on Discrete Cart-Pole
Compare default agents on the MATLAB discrete action space cart-pole environment.
Compare Agents on the Discrete Pendulum Swing-Up
Compare default agents on the Simulink^® discrete action space simple pendulum swing-up environment.
Compare Agents on Discrete Simscape Cart-Pole Swing-Up
Compare default agents on the Simscape™ Multibody™ discrete action space cart-pole swing-up environment.
Compare Agents on Discrete Pendulum Swing-Up with Image
Compare default agents on the MATLAB discrete action space pendulum swing-up with image environment.

Compare Agents on Continuous Double-Integrator
Compare default agents on the MATLAB continuous action space double-integrator environment.
Compare Agents on Continuous Cart Pole
Compare default agents on the MATLAB continuous action space cart-pole environment.
Compare Agents on Continuous Pendulum Swing-Up
Compare default agents on the Simulink continuous action space simple pendulum swing-up environment.
Compare Agents on Continuous Cart Pole Swing-Up
Compare default agents on the Simscape Multibody continuous action space cart-pole swing-up environment.
Compare Agents on Continuous Pendulum Swing-Up with Image
Compare default agents on the MATLAB continuous action space simple pendulum swing-up with image environment.

Train PG Agent with Custom Actor and Baseline Networks to Control Discrete Double Integrator
Train a PG agent with a custom actor and baseline networks to control a discrete action space double integrator system modeled in MATLAB.

Train LSPI Agent to Balance Discrete Cart-Pole
Train an LSPI agent to balance discrete action space cart-pole system modeled in MATLAB.
이산 카트-폴 시스템의 균형을 유지하도록 DQN 에이전트 훈련시키기
MATLAB에서 모델링된 이산 행동 공간 카트-폴 시스템의 균형을 유지하도록 DQN 에이전트를 훈련시킵니다.
이산 카트-폴 시스템의 균형을 유지하도록 PG 에이전트 훈련시키기
MATLAB에서 모델링된 이산 행동 공간 카트-폴 시스템의 균형을 유지하도록 PG 에이전트를 훈련시킵니다.
이산 카트-폴 시스템의 균형을 유지하도록 AC 에이전트 훈련시키기
MATLAB에서 모델링된 이산 행동 공간 카트-폴 시스템의 균형을 유지하도록 AC 에이전트를 훈련시킵니다.
Train AC Agent to Balance Discrete Cart-Pole Using Parallel Computing
Train an AC agent to control a discrete action space cart-pole system using asynchronous parallel computing.
Train MBPO Agent to Balance Continuous Cart-Pole System
A model-based reinforcement learning agent learns a model of its environment that it can use to generate additional experiences for training.

진자가 위쪽으로 똑바로 서서 균형을 유지하도록 DQN 에이전트 훈련시키기
Simulink에서 모델링된 이산 행동 공간 진자가 위쪽으로 똑바로 서서 균형을 유지하도록 DQN 에이전트를 훈련시킵니다.
진자가 위쪽으로 똑바로 서서 균형을 유지하도록 DDPG 에이전트 훈련시키기
Simulink에서 모델링된 연속 행동 공간 진자의 균형을 유지하도록 DDPG 에이전트를 훈련시킵니다.
Train DDPG Agent to Swing Up and Balance Pendulum with Bus Signal
Train a DDPG agent to balance a continuous action space pendulum Simulink model that contains observations in a bus signal.
Train DDPG Agent with Custom Networks Using Image Observation
Train a DDPG agent with custom networks using an image-based observation signal.
Create DQN Agent Using Deep Network Designer and Train Using Image Observations
Create a reinforcement learning agent using the Deep Network Designer app from the Deep Learning Toolbox™.

카트-폴 시스템이 위쪽으로 똑바로 서서 균형을 유지하도록 DDPG 에이전트 훈련시키기
Simscape Multibody에서 모델링된 연속 행동 공간 카트-폴 시스템이 위쪽으로 똑바로 서서 균형을 유지하도록 DDPG 에이전트를 훈련시킵니다.

Train Default PPO Agent for Discrete Lander Vehicle
Train a default PPO agent to land a discrete action space flying vehicle.
Train Soft Actor Critic Agent with Custom Networks for Discrete Lander Vehicle
Train a SAC agent to land a discrete action space flying vehicle.