-
rurel
灵活、可重用的强化学习(Q学习)实现
-
bevy_rl
使用 bevy 构建强化学习环境
-
radiate
并行遗传编程引擎,能够进化监督、无监督和通用强化学习问题的解决方案
-
amfiteatr_classic
一些经典博弈论问题进行研究
-
amfiteatr_net_ext
提供基本TCP通信的证明概念扩展
-
amfiteatr_core
一个用于模拟具有多个代理的博弈论问题的框架
-
forger
Rust 中的强化学习
-
cervo
游戏中的高级强化学习 API
-
amfiteatr_rl
为
amfiteatr
提供强化学习实现的扩展 -
beet_flow
游戏和机器人中一个非常灵活的 AI 行为库
-
evo-rl
基于神经进化的强化学习库,灵感来源于NEAT
-
rl_examples
强化学习算法的示例
-
border
强化学习库
-
rsrl
Rust中快速、可扩展的强化学习框架
-
beet_spatial
游戏和机器人中一个非常灵活的 AI 行为库
-
lfa
线性函数逼近器的本地Rust实现
-
runnt
机器学习的简单神经网络
-
relearn
强化学习库
-
gym
Rust对OpenAI环境的绑定
-
learnwell
强化学习框架
-
rsrl_domains
Rust中强化学习研究的玩具领域
-
border-tch-agent
强化学习库
-
border-py-gym-env
强化学习库
-
rl-bandit
多臂老虎机实现
-
rusty-bird
小鸟是一个简单的飞行鸟实现,可以通过TCP由外部应用程序控制。因此,用户可以将强化学习代理连接到它并玩游戏
-
hexgame_rs
游戏Hex,两人参与的离散完全信息策略游戏
-
deep_q_network_bindings
深度Q学习网络的生成器。允许随机训练间隔,并将更新为更稳定的版本。
-
dqn_variable_ratio_test
深度Q学习网络的生成器。允许随机训练间隔,并将更新为更稳定的版本。
-
border-async-trainer
基于gym-rs的Atari环境
-
border-atari-env
基于gym-rs的Atari环境
-
border-tensorboard
强化学习库
-
border-core
强化学习库
-
gym-core
强化学习Gym接口
-
gyms
强化学习Gym
-
rlr
一个小型的强化学习框架
-
atari-env
强化学习用Atari环境
-
竞技场
强化学习用OpenAI的Gym的高性能实现
-
体育馆
强化学习API
-
体育馆命令行界面
强化学习用体育馆API
-
战场-rs
使用Rust和部分强化学习实现的炉石传说:战场模拟器
-
宝可梦大师
使用Rust和部分强化学习实现的宝可梦战斗模拟器
-
rsrl_derive
RSRL的宏
-
fastgym
一系列快速体育馆环境
-
fgbase
一系列快速体育馆环境
-
漫威快照
使用Rust和部分强化学习实现的漫威快照模拟器
尝试使用DuckDuckGo进行搜索。搜索.