arrow
返回

A Q-learning based path planning method with hyper-heuristic scheduling and escaping based algorithms

delete2026-03-20
delete0
PRE
AI
X
Xin Tan
S
Shanen Yu
G
Guangyu Liu
DOI:10.1016/j.eswa.2026.132128delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
为代理在复杂陷阱环境中规划稳定可靠的路径是自主导航中的一个关键挑战。大多数路径规划算法存在收敛速度慢、易陷入局部最优以及产生次优路径等问题。为解决这些挑战,本文提出了一种改进的Q学习路径规划算法(DHH-QL),旨在应对此类环境中的困难。本研究提出的DHH-QL算法集成了基于评估函数的超启发式调度算法(QHDF)。在QHDF中,评估函数用于合理调度各种启发式算子,生成最优的虚拟全局路径和逃生路径,以帮助代理快速逃离陷阱环境。此外,我们设计了一种剪枝策略,通过生成逃生点进行剪枝,以解决陷阱环境中冗余路径生成的问题。进一步地,DHH-QL引入了一种创新的间歇学习策略,该策略根据代理对陷阱环境的适应情况动态调整学习率,实现自适应学习。研究在随机环境以及静态和动态陷阱环境中进行,结果表明,DHH-QL在运行时间、路径长度、平滑度和收敛速度方面优于ACO、GA、传统QL、O-QL和TRE-QL算法。实验结果证实,DHH-QL通过整合超启发式调度、剪枝策略和间歇学习,为随机和复杂陷阱环境中的路径规划提供了有效解决方案。
Keyword:
Q-learning
path planning
hyper-heuristic scheduling
trap environment
intermittent learning

期刊

Expert Systems with Applications 封面图
Expert Systems with Applications
IF:
7.5
论文数:
3.0W
被引数:
10.2W

机构

H
Hangzhou Dianzi University
学者数:
1.3W
论文数: 9.6K
被引数: 7.5K
引用论文

引用论文

err分享
err收藏
A Robot Path Planning Method Based on Improved Genetic Algorithm and Improved Dynamic Window Approach
err2023-03-06
err25
errOAAI
errLi, Yue; Zhao, Jianyou; Chen, Zenghua; Xiong, Gang; Liu, Sheng
err分享
err收藏
Reinforcement learning algorithms: A brief survey强化学习算法: 简要综述
err2023-11-01
err81
PREAI
errShakya, Ashish Kumar; Pillai, Gopinatha; Chakrabarty, Sohom
err分享
err收藏
学者 查看更多内容