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.