标题：基于改进QL算法的复杂场景下移动机器人路径规划研究
作者：范柳婷；付总礼
作者单位：新疆交通职业技术大学，新疆 乌鲁木齐 830054；新疆师范大学，新疆 乌鲁木齐 830054
关键字：路径规划；Q-Learning；复杂场景；动态奖励函数；DR-QL
摘要：Q-Learning（QL）算法因其简单高效的特点被广泛应用于路径规划，但随着移动机器人应用场景的日益复杂，该算法逐渐显现出收敛速度较慢和探索路径过长的局限性，特别是在复杂未知环境中表现尤为突出。为解决这些问题，提出了一种基于动态奖励机制的改进Q-Learning（Dynamic Reward Q-Learning，DR-QL）路径规划算法。该算法通过优化传统QL算法中的离散奖励函数，设计了一种能够动态调整奖励值的新机制，从而实现对机器人移动的精确引导，提高学习效率和路径规划的可靠性。最后，通过构建三个不同复杂度的仿真环境，验证了算法的可行性。仿真结果表明，所提出的DR-QL算法在探索步长和训练时间方面相比原算法有了很大的提升，且算法的收敛速度优于原算法。这表明，改进后的DR-QL算法能够更高效地适应复杂场景，为移动机器人路径规划提供了一种切实可行的解决方案。