目录
摘 要 2
ABSTRACT 3
第一章 文献综述 4
1 课题研究背景及意义 4
2 AGV路径规划研究综述 5
2.1 文献计量分析 5
2.2 国内外研究现状 5
3 论文研究内容和组织安排 7
第二章 AGV路径规划及环境建模方法 8
1 AGV路径规划方法 8
1.1 路径规划的定义 8
1.2 路径规划常用算法 8
2 AGV环境建模方法 10
2.1 拓扑地图法 11
2.2 几何特征地图法 11
2.3 栅格地图法 11
3 本章小结 12
第三章 强化学习路径规划相关理论 13
1 强化学习基本理论 13
1.1 马尔科夫决策过程 13
1.2 强化学习基本模型 14
1.3 强化学习算法要素 14
2 Qlearning算法 15
3 SARSA算法 18
4 本章小结 19
第四章 基于强化学习的AGV路径规划仿真 20
1 仿真实验设计 20
1.1 实验环境设置 20
1.2 实验结果与分析 21
2 改进仿真实验设计 23
2.1 改进后的实验环境设置 23
2.2 实验流程 24
2.3 实验结果与分析 25
3 本章小结 27
第五章 总结与展望 28
1 总结 28
2 展望 28
参考文献 30
附 录（主要程序） 32
致 谢 40
基于强化学习的码头货场AGV路径规划算法研究
摘 要
随着智能化的到来和推进，劳动力成本的逐年攀升，在经济基础成熟的条件下，自动化码头正取代传统码头以达到提高作业效率、降低运营成本的目的。自动化码头船舶卸货与货物堆场间的集装箱平面运输是通过自动导引车(Automated Guide *51今日免费论文网|www.51jrft.com +Q: ￥351916072￥ 
d Vehicle)来实现的，其作业效率受到多种因素的影响，随着集装箱运量的增大，配置AGV的数量随之增加，AGV运作时伴随着拥堵、碰撞、延迟情况的发生，码头运作效率因此降低。为提升码头智能化水平，使得自动导引车能够在无先验知识的条件下，自动避障并寻找出一条可行路径，提出以强化学习的Qlearning算法和迁移学习（Transfer Learning）为核心设计多AGV路径规划方法，其中包含动态和静态的避障策略，完成多AGV在无先验知识条件下的无碰撞路径规划。该方法利用Qlearning算法学习目标位置和任务开始位置，在建立的环境模型中运行，熟悉地图使AGV获取经验信息，后通过Qlearning算法进行训练并更新Q表，重复该过程直至找到可行路径。实验中包含三辆AGV小车，实际上整个系统被划分为三个子任务来完成，其中迁移学习将极大的加快训练过程。通过Python设计仿真实验，对基于强化学习的Qlearning算法在AGV路径规划问题中的可行性和有效性进行验证。

原文链接：http://www.jxszl.com/jtgc/jjtys/610128.html