强化学习工具箱为使用强化学习算法（包括DQN、PPO、SAC和DDPG）的培训策略提供了应用程序、功能和Simulink块。您可以使用这些策略为资源分配、机器人和自治系统等复杂应用程序实现控制器和决策算法。

工具箱允许您使用深层神经网络或查找表来表示策略和值函数，并通过与MATLAB或Simulink中建模的环境的交互来训练它们。您可以评估工具箱中提供的单代理或多代理强化学习算法，也可以开发自己的算法。您可以实验超参数设置，监控培训进度，并通过应用程序或编程方式模拟经过培训的代理。为了提高训练性能，模拟可以在多个CPU、GPU、计算机集群和云上并行运行（使用并行计算工具箱和MATLAB并行服务器）。

通过ONNX™模型格式，可以从TensorFlow™Keras和PyTorch（使用深度学习工具箱）等深度学习框架导入现有策略。您可以生成优化的C、C++和CUDA^®在微控制器和GPU上部署经过培训的策略的代码。工具箱中包含参考示例，可帮助您入门。