machine-learning - 如何用神经网络实现寻路和拥塞检测？

Question

这是一个传送系统。盒子从 A 处进入系统，然后移向 C 处，从 C 处退出系统。 B->D 也是如此。

路径 A->C 上的框比框 B->D 具有更高的优先级。箱子可以在每个方格停下来等待。如果A2上和B2上都有一个盒子，则A2上的盒子应该先经过X。

如果C2、C1、A2和B2上都有盒子，那么来自B2的盒子应该经过X，而A2上的盒子应该等待，直到C1为空。否则会阻塞 B->D 的路径。

如何使用神经网络解决这个问题？因此，对于每一回合，我都想输入每个 block 的当前状态，因此我想从哪里移动到下一个盒子应该移动的地方。

例如:系统状态:BOX 位于 A1结果:A1、A2

我不知道神经网络是否是解决这个问题的好工具，但我只是好奇。感谢您的投入:)

Answer 1

您正在寻找的是一种将状态映射到操作的策略。

虽然您可以使用神经网络来存储您的策略，但您需要某种方式与环境交互以收集数据。

您所描述的是一个典型的强化学习问题。我建议你看看Q-learning。对于状态空间的大小，您可以轻松地将策略存储在表中，但如果您愿意，神经网络也很容易与 Q-learning 结合(尽管在使用非线性近似方案时不能确保收敛)。