技术特征：1.一种基于改进q学习的agv路径规划方法，其特征在于，过程包括：
2.根据权利要求1所述的一种基于改进q学习的agv路径规划方法，其特征在于，利用改进的人工势场法与莱维飞行分布法对q表进行初始化的步骤如下：
3.根据权利要求2所述的一种基于改进q学习的agv路径规划方法，其特征在于，step3.7对全部的解进行更新通过公式(5)进行：
4.根据权利要求2所述的一种基于改进q学习的agv路径规划方法，其特征在于，当q表利用随机探索来进行二次初始化的时候，遵循莱维飞行分布的搜索算法按照公式(6)进行更新：
5.根据权利要求1所述的一种基于改进q学习的agv路径规划方法，其特征在于，q学习过程中需要采用增加蚁群信息素与修改ε-greedy策略两种方式加速q学习在运行阶段的收敛速度；
技术总结一种基于改进Q学习的AGV路径规划方法，属于强化学习与路径规划领域。主要包含下列两个过程：过程1：基于人工势场法对Q表进行初始化，并利用莱维飞行分布与死区逃脱机制，使Q表的初始值在具有一定的引导倾向的同时最大限度避免将AGV间接引入死角。过程2：在Q学习对地图进行探索的同时引入蚁群算法，利用蚁群信息素的经验导向的特点在后期对Q学习的收敛速度进行加快，弥补Q学习收敛性不足的缺点。并改进ε‑greedy策略，使其前期扩大搜索范围，后期向最优方向快速迭代，避免陷入局部最优解。所提出的Imp‑Q算法，在具有较高成功率的前提下，有着更快的迭代速度以及更好的效果，AGV可以快速绕开障碍物，不容易陷入死区。
技术研发人员：费中阳,屈轩宇,吴迪,孙希明,徐昌一,高永峰
受保护的技术使用者：大连理工大学
技术研发日：技术公布日：2024/7/9