作为物联网技术中的重要组成部分,无线传感器网络技术已广泛运用于各领域。然而,传感器节点有限的电池容量制约了无线传感器网络的工作寿命。一旦传感器节点电池能量耗尽,会影响某区域的监控质量。因此,如何克服该约束并延长整个网络的寿命是一个研究的热点问题。当前,无线充电被视为延长网络寿命的一种有前途的解决方案。传统的无线充电技术是基于单路的充电范式。然而,这种一对一的充电范式存在扩展性不足和充电效率低下等问题。幸运的是,近年来出现的多路充电技术可雇用一辆移动充电器在同一充电范围内同时为多个传感器节点补充电量,从而大大提高了移动充电器的充电能力。为了简化计算,大多数现有的多路充电算法都预先限制了移动充电器的停靠位置,如预划分和共置的方式。与现有研究不同的是,本文关注于如何在不预先限制任何停靠位置的情况下实现高效的多路充电。为了实现本文的目标,引入一个新的指标,即充电奖励,以衡量充电的有效性。进一步地,本文将高效充电问题公式化为充电奖励最大化问题,即为一辆能量有限的移动充电器选择一系列停靠点并构成一条充电路径,累积每个停靠点处的奖励情况,以使得移动充电器在一个充电周期后收集的充电奖励最大化。针对无预设限制带来的不确定数量（甚至近无穷多）潜在停靠位置的高复杂性,以及在线充电策略的生成,本文采用强化学习算法来应对上述问题。在本文的模型中,区别于其他利用强化学习技术的充电策略,本文不仅考虑了传感器节点的多种基础状态信息（例如节点剩余寿命和节点的相对位置关系）,还考虑了移动充电器的轨迹信息,以便指导模型的学习主体选择停靠位置。以此,提出了一种基于强化学习的多路充电算法（RLMC）,实现高效充电的目的。此外,为进一步提高充电算法的效率、优化无线传感器网络的性能,本文对模型学习主体的充电动作进行一种解耦操作,以减少强化学习网络中训练样本间的关联性,帮助网络减少过度估计的可能性。另外,本文为每一条训练样本序列赋予其优先级,并设计了一种基于最小堆的加权抽样算法,依照优先级选取网络模型的训练样本。基于此,将两种技术手段与基础的RLMC算法相结合,提出一种基于Double Q抽样改进的高效多路充电算法（HWD-RLMC）,改良模型的输出。最后,本文分别对两种充电算法进行了大量仿真实验,用于评估所提算法的性能。实验分别在总充电奖励、节点死亡总时长和死亡节点数量三个方面进行了对比,其实验结果验证了本文所提算法的优势。其中,还分析了参数对网络性能的影响。同时,本文对实验过程及结果进行了一系列分析,以更好说明基于强化学习算法生成的充电方案的有效性。