强化学习在AGV路径规划系统中的应用

目录

声明

1 绪论

1.1 研究背景及意义

1.2 AGV路径规划概念及目标

1.3 AGV路径规划国内外研究现状

1.3.1 全局路径规划方法

1.3.2 局部路径规划方法

1.4 AGV路径规划存在的挑战

1.5 本文主要研究内容及安排

2 强化学习及神经网络相关理论

2.1 引言

2.2 强化学习概念

2.3 马尔科夫决策过程

2.4 强化学习基本模型及算法

2.4.1 TD算法

2.4.2 Sarsa算法

2.5 人工神经网络

2.5.1 多层感知机

2.5.2 BP神经网络

2.6 本章小结

3 基于模拟退火Sarsa算法的AGV路径规划

3.1 引言

3.2 Metropolis准则和模拟退火算法

3.2.1 Metropolis算法

3.2.2 模拟退火算法

3.3 AGV仿真环境搭建

3.3.1 环境模型

3.3.2 状态动作集

3.3.3 奖赏函数

3.3.4 动作策略函数

3.2.5 Sarsa算法的Q表设置

3.3 基于SA_Sarsa算法的AGV路径规划设计

3.3.1 算法流程

3.3.2 仿真分析

3.4 本章小结

4 基于深度Q网络的AGV路径规划

4.1 引言

4.2 DQN算法

4.3 基于深度Q网络的AGV路径规划设计

4.3.1 优先记忆库

4.3.2 势场法的奖赏函数

4.3.3 环境模型

4.3.4 神经网络训练

4.3.5 算法流程

4.3.6 仿真分析

4.4 本章小结

5 AGV路径规划的系统设计

5.1 引言

5.2 系统设计方案

5.2.1 上位机软件系统架构

5.2.2 AGV硬件平台

5.3 数据库设计

5.4 系统界面显示

5.5 AGV路径规划实验

5.6 章节小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者在攻读硕士学位期间发表的成果和参与的项目

致谢