改进Q-Learning 算法在路径规划中的应用

摘要： 针对Q-Learning 算法在离散状态下存在运行效率低、学习速度慢等问题，提出一种改进的Q-Learning 算法。改进后的算法在原有算法基础上增加了一层学习过程，对环境进行了深度学习。在栅格环境下进行仿真实验，并成功地应用在多障碍物环境下移动机器人路径规划，结果证明了算法的可行性。改进Q-Learning 算法以更快的速度收敛，学习次数明显减少，效率最大可提高20%。同时，该算法框架对解决同类问题具有较强的通用性