【文件属性】：
文件名称：matlab代码做游戏-UoE-reinforcement-learning:UoE强化学习
文件大小：1.01MB
文件格式：ZIP
更新时间：2021-05-21 12:25:48
系统开源
matlab代码做游戏rl_roadFighter
2017/18年度UEDIN强化学习课程的Matlab代码（）
介绍：
该存储库中的代码受经典的80年代电脑游戏“
Road
Fighter”（）以及Benjamin
Rosman和Subramanian
Ramamoorthy（2010）题为“学习分层结构策略的游戏理论程序”的作品中介绍的类似应用程序的启发。
（）。
就像Road
Fighter可能基于的旧模拟游戏（）一样，您可以使用此工具集进行建模的Markov决策过程包括用户控制的“汽车”在地形上滑落，而后者被向下拉。
根据我们的定义，用户的目标是在对汽车造成最小损害的情况下达到关卡的尽头。
防止我们遭受此困扰的是未铺砌的地形和其他固定的汽车。
由于汽车始终处于行驶状态，因此用户在每个时间步长上的动作选择仅限于“左上”，“上”或“右上”。
过渡可能是随机的，因此用户将无法始终预测汽车的下一个位置，尽管这取决于汽车的当前状态和所采取的措施。
尽管原始游戏没有（可能）具有离散的时间和状态空间，但我们考虑的是一个网格世界，具有离散数量的行和列。
列从1开始，从左侧开始编号。
从地图的
【文件预览】：
UoE-reinforcement-learning-master
----.ipynb_checkpoints()
--------Untitled-checkpoint.ipynb(72B)
--------Open AI Gym Blackjack-checkpoint.ipynb(252KB)
--------MC Control with Epsilon-Greedy Policies Solution.ipynb-checkpoint.txt(252KB)
----utilities()
--------randomWeightedSelect.m(676B)
----RL_coursework1.pdf(675KB)
----interactMDP()
--------actionMoveAgent.m(4KB)
--------setCurrentViewableGridMap.m(1KB)
----RL_coursework2.pdf(851KB)
----Untitled.ipynb(1KB)
----coursework1_solution()
--------report.txt(2KB)
--------policyEvaluation.m(2KB)
--------printTrajectory.m(2KB)
--------exercise3.m(5KB)
--------policyIteration.m(2KB)
--------exercise3_output.png(35KB)
--------exercise1.m(4KB)
----LICENSE(34KB)
----README.md(7KB)
----defineMDP()
--------generateMap.m(1KB)
--------generateRewardFunction.m(577B)
--------miniMaps()
--------GridMap.m(10KB)
--------generateMiniMaps.m(980B)
--------populateWithCars.m(1KB)
--------randomlyCreateATestGridMapFromMiniMapBlocks.m(897B)
----Open AI Gym Blackjack.ipynb(279KB)
----screenOutput()
--------printGrid.m(729B)
--------printAgentLocation.m(1KB)
--------printPointsOnGridMapWColors.m(2KB)
--------printCars.m(435B)
--------refreshScreen.m(605B)
--------printAgentTrajectory.m(961B)
----coursework2_solution()
--------cw2_solution1.m(6KB)
--------writeup.txt(2KB)
--------cw2_solution2.m(8KB)
----startHere.m(6KB)