文献检索-宁波市创意产业特色资源库

限定检索结果

结合神经网络和Q(λ)-learning的路径规划方法: 收藏
分享
引用; 《自动化与仪表》2019年第9期34卷 1-4页; 作者：王健张平陆赵忠英程晓鹏沈阳新松机器人自动化股份有限公司特种机器人BG沈阳110169 沈阳科技学院机械与交通工程系沈阳110167; Q-learning是一种经典的增强学习算法,简单易用且不需要环境模型;广泛应用于移动机器人路径规划。但在状态空间和动作空间较大时,经典的Q-learning算法存在学习效率低、收敛速度慢,容易陷入局部最优解等问题。通过引入神经网络模型,利...; Q-learning是一种经典的增强学习算法,简单易用且不需要环境模型;广泛应用于移动机器人路径规划。但在状态空间和动作空间较大时,经典的Q-learning算法存在学习效率低、收敛速度慢,容易陷入局部最优解等问题。通过引入神经网络模型,利用地图信息计算状态势值,从而优化了设计奖励函数。合理奖励函数为Q(λ)-learning算法提供了先验知识,避免训练中的盲目搜索,同时奖励函数激励避免了陷入局部最优解。仿真试验表明,改进的路径规划方法在收敛速度方面有很大的提升,训练得到的路径为全局最优。; 来源：详细信息评论

限定检索结果