深度学习强化走迷宫：DQN算法解析-优快云博客

本文链接：https://blog.youkuaiyun.com/shuishou07/article/details/81224547

本文介绍了如何使用DQN（深度Q学习）解决走迷宫问题。DQN结合了卷积神经网络和Q-Learning，将迷宫矩阵视为状态，通过CNN学习最优策略。迷宫矩阵为5*6，0代表可行走，1表示障碍。智能体在环境中依据状态选择行动以最大化奖励。文章还涵盖了预处理、代理、环境、训练和预测模型的细节，以及最终结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DQN（深度Q学习）

通常，强化学习的设置由两部分组成，一个是智能体（Agent），另一个是环境（环境）。
强化学习图示

强化学习是学习一个最优策略（policy），可以让智能体（Agent）在特定环境（Environment）中，根据当前状态（state），做出行动（action），从而获得最大回报（奖励）。

DQN要做的就是将卷积神经网络（CNN）和Q-Learning结合起来，CNN的输入是原始图像数据（作为状态State），输出则是每个动作行动对应的价值评估价值函数（Q值）。

要走的迷宫矩阵

是一个5 * 6的矩阵其中0表示可走，1表示障碍物

现在把迷宫矩阵想象为一张图，高度为5，跨度为6，当走到（行，列）时，令迷宫矩阵在（行，列）处的值为2，当离开（行，列）时，迷宫矩阵在（行，列）处的值恢复为0

预处理

import numpy as np
import pandas as pd
import os
from collections import deque
from sklearn.utils import shuffle
from keras.losses import mean_squared_error
import copy
import random
from keras.models import Model, load_model
from keras.layers import Input, Dense, Reshape, Conv2D, Flatten

# 迷宫矩阵
maze = np.array(
    [[0, 0, 0, 0, 0, 0, ],
     [1, 0,