基于深度强化学习的智能体路径规划

如今智能体工作环境越渐复杂,任务类型越渐繁多,但人们对于智能体工作效率的要求却不曾降低,因此传统的路径规划算法已经难以满足需求。为帮助智能体更好地完成任务,提出一种DRL(深度强化学习)在多智能体中的衍生MARL(多智能体强化学习)方法,并将其训练的多智能体系统与DRL训练的单智能体进行仿真测试与结果对比,仿真结果表明所提出的方法能在回合限制内在大型地图中拥有接近100%的任务完成率。