OpenAI Gym 是一个用于强化学习研究的工具包，包含多个基准问题的集合，提供共同的接口，并提供一个网站，可以分享结果并比较算法性能。本文探讨了 OpenAI Gym 的组件和软件设计决策。

Jun, 2016

本文旨在通过应用增强学习和深度增强学习（RL/DRL）来使网络网络运营（CyOps）中的自主智能体成为可能，并且通过提出的一个名为 Cyber Gym for Intelligent Learning（CyGIL）的统一训练环境，尤其是最近发展出的一种在仿真环境下训练智能体的解决方案，该方案旨在在实际网络环境中实现从仿真到现实的自主智能体应用。

Apr, 2023

该论文介绍了 RayNet，一种可扩展和适应性的模拟框架，用于基于强化学习的网络协议的开发。通过 RayNet，作者已经成功开发了拥塞控制应用程序，并呈现了 RayNet 作为计算机网络研究社区重要框架的证据。

Feb, 2023

通过开发和优化计算网络中的任务卸载策略，引入了一个可自定义的模拟环境以支持深度强化学习代理，并展示了深度强化学习方法在分布式计算环境中显著提升任务卸载策略的潜力，从而弥合了理论强化学习模型和实际应用之间的差距。

Mar, 2024

该研究提供了一个基于 Open AI Gym 模板的高度可定制和开源的 RL 环境，ChemGymRL，以支持在化学发现中训练 RL 代理，通过使用一系列互连的虚拟化学试验台。研究介绍了这些试验台，并在其中训练了一组标准 RL 算法，最后提供了多个标准 RL 方法的性能讨论和比较以及未来工作的发展方向列表作为 ChemGymRL 的远景。

May, 2023

通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

Jan, 2024

本研究通过引入新的框架 NASimEmu，通过为训练提供模拟器和仿真器，旨在使 penetration testing agents 更容易在模拟环境中训练，并能够在真实的仿真环境中进行测试评估，以提高仿真器的现实性和性能。

May, 2023

编写特定量子硬件的量子电路是具有挑战性的任务，并且当前的量子计算机存在严重的硬件限制。为了充分利用有限的资源，应该优化编译过程。为了改进当前的方法，可以使用强化学习（RL），这是一种让代理与环境交互以学习复杂策略以达到特定目标的技术。在这项工作中，我们介绍了 qgym，这是一个从 OpenAI Gym 派生的软件框架，以及专门针对量子编译的环境。qgym 的目标是通过抽象与两个领域都无关的过程部分，将人工智能（AI）的研究领域与量子编译连接起来。它可用于在高度可定制的环境中训练和基准测试 RL 代理和算法。

Aug, 2023

本研究介绍了一个基于 Robot Operating System (ROS) 和 Gazebo simulator 的 OpenAI Gym 扩展版本，讨论了所提出的软件架构和使用 Q-Learning 和 Sarsa 两种强化学习算法所获得的结果，并提供了一个基准系统，用于在相同的虚拟条件下比较不同的技术和算法。

Aug, 2016

这篇论文介绍了一个名为 Safety-Gymnasium 的环境套件和一个名为 Safe Policy Optimization 的算法库，其中包含了 16 种最先进的安全强化学习算法，旨在促进安全性能的评估和比较，并推动强化学习在更安全、更可靠和负责任的实际应用中的发展。

Oct, 2023