Q-Learning与DQN在路径规划中的深度学习应用

路径规划里的强化学习，说实话，用过 Q-Learning 和 DQN 的都知道，调参是个麻烦事。不过你要是刚入门，下面这些资源还是挺友好的，代码清晰，例子也蛮实用的。是用 Keras 搭配 DQN，训练个 Flappy Bird 不成问题。

Q-learning 的代码那份资源

结构比较清晰，状态转移、奖励机制这些写得挺标准。你只要改改环境，就能跑你自己的场景。传送门：Q-learning 代码

基于栅格法的路径规划

这个比较适合用在那种地图离散的场景，比如机器人走迷宫。网格+Q-Learning，逻辑上直观。链接在这：Python 实现栅格法 Q-Learning

想玩深一点的 DQN

可以看看这个：Keras 最小 DQN 源码，用的是 DQN 和 DDQN 两种方式。网络结构不复杂，适合改着用。

有个专门讲 DQN 的

从 经验回放 到 目标网络，都写得蛮清楚。想了解 DQN 底层原理的可以看这个：深度强化学习 DQN

再来个进阶玩法

把遗传算法和 Q-Learning 结合，用来优化策略收敛速度，嗯，蛮有意思。适合研究型开发。链接：遗传算法+Q-Learning

推荐个实战例子

用 DQN 玩 Flappy Bird，有图像、有策略更新，比较全的一个小项目。传送门：DQN 实战 Flappy Bird

如果你是搞路径规划或者想入门强化学习的，这几份资源可以帮你少踩不少坑，是带源码的，直接能跑，还能改。