实体
Stable-Baselines3
Stable-Baselines3
PulseAugur coverage of Stable-Baselines3 — every cluster mentioning Stable-Baselines3 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的强化学习框架实现粒子加速器束线控制自动化
研究人员开发了RL-ABC，一个开源Python框架，使用强化学习来优化粒子加速器束线。该框架将标准的束线配置转换为强化学习环境，并与Elegant等模拟代码集成。它自动预处理晶格文件，从束统计数据构建状态表示，并提供用于传输优化的可配置奖励函数。使用RL-ABC训练的深度确定性策略梯度（Deep Deterministic Policy Gradient）代理在测试束线上实现了70.3%的粒子传输率，与现有方法相当，证明了该框架的有效性和效率。
-
Stable-Baselines3 提供经过测试的 PyTorch RL 实现
Stable-Baselines3 是一个开源库，提供经过测试的关键强化学习算法的 PyTorch 实现。它包括流行的算法，如近端策略优化 (PPO)、软 Actor-Critic (SAC) 和 TD3，使这些高级技术对开发人员更加易于使用。