DRL-urban-planning
Une approche basée sur l'apprentissage par renforcement profond (DRL) pour la disposition spatiale de l'utilisation des terres et des routes dans les communautés urbaines. (Nature Computational Science)
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUne approche basée sur l'apprentissage par renforcement profond (DRL) pour la disposition spatiale de l'utilisation des terres et des routes dans les communautés urbaines. (Nature Computational Science)
DRL-urban-planning compte 306 étoiles sur GitHub. Il a été forké 51 fois. DRL-urban-planning est écrit principalement en Jupyter Notebook. Il est développé activement depuis 2023. DRL-urban-planning est disponible sous licence MIT. Ses principaux thèmes sont : graph-neural-networks, reinforcement-learning, spatial-planning, urban-planning.
Qu'est-ce que DRL-urban-planning ?
Une approche basée sur l'apprentissage par renforcement profond (DRL) pour la disposition spatiale de l'utilisation des terres et des routes dans les communautés urbaines. (Nature Computational Science)
DRL-urban-planning est-il open source ?
DRL-urban-planning est un projet open source. Il est distribué sous licence MIT.
DRL-urban-planning est-il gratuit ?
Oui. DRL-urban-planning est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est DRL-urban-planning ?
DRL-urban-planning est disponible sous licence MIT.
Dans quel langage DRL-urban-planning est-il écrit ?
DRL-urban-planning est écrit principalement en Jupyter Notebook.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/tsinghua-fib-lab-drl-urban-planning.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.