基于DBSDER-QL算法的应急物资分配策略

摘要

针对自然灾害应急物资分配的问题，提出一种基于动态Boltzmann Softmax(DBS)和动态探索率(DER)的Q-learning算法(dynamic Boltzmann Softmax and dynamic exploration rate based-Q-learning, DBSDER-QL).首先，采用动态Boltzmann Softmax策略，通过动态调整动作价值的权重，促进算法的稳定收敛，解决了最大运算符的过度贪婪问题.其次，采用动态探索率策略提高算法的收敛性和稳定性，解决了固定探索率Q-learning算法在训练后期无法完全收敛到最优策略的问题.最后，通过消融实验验证了DBS和DER策略的有效性.与动态规划算法、贪心算法及传统Q-learning算法进行对比的实验结果表明，DBSDER-QL算法在总成本和计算效率方面均明显优于传统方法，展现了更高的适用性和有效性.

关键词

物资分配 / 强化学习 / Q-learning算法 / 动态探索率 / 动态Boltzmann Softmax