Reinforcement Learning Toolbox™ 提供了一个 App、多个函数和一个 Simulink^® 模块，可与 DQN、PPO、SAC 和 DDPG 等强化学习算法结合使用来进行策略训练。您可以使用这些策略为复杂应用（如资源分配、机器人和自主系统）实现控制器和决策算法。

借助该工具箱，您可以使用深度神经网络或查找表来表示策略和价值函数，并使用 MATLAB^® 或 Simulink 创建环境模型，通过与环境交互来训练策略和函数。您可以评估该工具箱中提供的单智能体或多智能体强化学习算法，也可以开发自己的算法。您可以使用超参数设置进行试验，监控训练进度，并通过 App 以交互方式或编程方式仿真经过训练的智能体。为了提高训练性能，可以在多个 CPU、GPU、计算机集群和云上并行运行仿真（需要 Parallel Computing Toolbox™ 和 MATLAB Parallel Server™）。

通过 ONNX™ 模型格式，可以从 TensorFlow™ Keras 和 PyTorch 等深度学习框架导入已有策略（需要 Deep Learning Toolbox™）。您可以生成优化的 C、C++ 和 CUDA^® 代码，以便将经过训练的策略部署到微控制器和 GPU。该工具箱包括参考示例，可帮助您快速入门。