此示例显示了如何建立钟摆模型并使用DDPG训练。

模型加载参考我上一篇使用DQN的博文。

打开模型

为钟摆创建一个预定义的环境界面。

界面具有离散的操作空间，智能体可以在其中将三个可能的扭矩值之一施加到摆锤上：–2、0或2 N·m。 要将摆的初始条件定义为向下悬挂，请使用匿名函数句柄指定环境重置函数。 此重置功能将模型工作区变量thetaθ \thetaθ设置为pi。

要将摆的初始条件定义为向下悬挂，请使用匿名函数句柄指定环境重置函数。此重置功能将模型工作区变量设置theta0为pi。

以秒为单位指定模拟时间Tf和代理采样时间Ts。

固定随机生成器种子以提高可重复性。

DDPG智能体使用评论者价值函数表示法，根据给定的观察和操作来估算长期奖励。 要创建评论者，首先要创建一个具有两个输入（状态和动作）和一个输出的深度神经网络。 有关创建深度神经网络值函数表示的更多信息，请参见创建策略和值函数表示。

查看评论者网络配置。

使用rlRepresentationOptions指定评论者表示的选项。

使用指定的深度神经网络和选项创建评论者表示。 您还必须指定评论者的操作和观察信息，这些信息是从环境界面获得的。 有关更多信息，请参见rlQValueRepresentation。

要创建一个具有一个输入（观察）和一个输出（动作）的深度神经网络。 以类似于评论者的方式构造行动者。 有关更多信息，请参见rlDeterministicActorRepresentation。

要创建DDPG智能体，请首先使用rlDDPGAgentOptions指定DDPG代理选项。

然后使用指定的行动者表示，评论者表示和智能体选项创建DDPG智能体。 有关更多信息，请参见rlDDPGAgent。

要训练智能体，请首先指定训练选项。对于此示例，使用以下选项。

进行最多50000次的训练，每集持续最多的ceil(Tf/Ts)时间步长。

在“情节管理器”对话框中显示训练进度（设置Plots选项），并禁用命令行显示（将Verbose选项设置为false）。

当特工连续五个情节获得的平均累积奖励大于–740时，请停止训练。在这一点上，代理可以以最小的控制力快速地使摆锤处于直立位置。

为累积奖励大于–740的每个情节保存代理的副本。

有关更多信息，请参见rlTrainingOptions。

使用训练函数训练智能体。 训练此智能体是一个计算密集型过程，需要几分钟才能完成。 为了节省运行本示例的时间，请通过将doTraining设置为false来加载预训练的智能体。 要自己训练智能体，请将doTraining设置为true。

要验证以训练的智能体的表现，请在摆环境中对其进行仿真。 有关智能体模拟的更多信息，请参见rlSimulationOptions和sim。