JuliaReinforcementLearning/ReinforcementLearning.jl

解決的問題

ReinforcementLearning.jl 為 Julia 語言中的強化學習（RL）研究提供了一個全面的框架，解決了實現與測試 RL 算法所需的可重用、可擴充、可重現工具的需求。

工作原理

此套件採用多個專用子套件（如 ReinforcementLearningBase、Core、Environments 和 Zoo）的封裝結構。它將 RL 實驗組織為四個核心元件：

• 策略：決定採取何種動作（例如 RandomPolicy）。
• 環境：智能體互動的世界（例如 CartPoleEnv）。
• 停止條件：定義實驗何時結束（例如 StopAfterNSteps）。
• 鈎子：在執行過程中收集資料與診斷資訊（例如 TotalRewardPerEpisode）。

適用對象

專為希望使用 Julia 程式語言實現新 RL 算法、執行基準實驗，並比較不同智能體的研究人員與開發者設計。

主要亮點

• 可擴充設計：採用介面與元件，使實現新演算法變得輕鬆。
• 廣泛涵蓋：支援從傳統表格方法到現代深度強化學習的全部內容。
• 整合生態系：包含專用環境程式庫與既有演算法的「Zoo」。
• 可重現性：專注於使評估與診斷智能體的一致性變得容易。