基于改进DDQN算法的移动机器人路径规划研究

针对传统的DDQN算法在复杂环境下进行路径规划时存在探索效率低、收敛速度慢的问题,提出了一种基于动态排序的优先经验回放机制和动态奖励的DDQN(Dynamic Sorting-based Priority Experience Replay Mechanism and Dynamic Reward Double Deep Q-Network,简称PR-DDQN)算法。该算法对DDQN中的经验回放机制进行了优化,采用基于动态排序的优先经验回放机制,提高了实际样本利用率,以期提升算法的学习效率和性能;同时,优化了原算法的奖励函数机制,动态调整移动机器人的动作奖励,以加快算法的收敛速度。最后,通过消融仿真实验并进行数据分析,证明了PR-DDQN算法的有效性和高效性。