如今,人工智能在我们生活的各个领域发挥着作用,自动驾驶、人脸识别、智能机器人等人工智能的产物都在表现着它的强大。机器学习是人工智能的基础和核心,而强化学习是机器学习研究领域的一个充满前景的方向。强化学习通过让智能体与环境交互生成样本,缓解了其他机器学习算法过于依赖样本数量的问题。强化学习算法从生成的样本中汲取经验,根据经验继续交互过程,通过这一自学习的方式不断改进更新决策策略,逐步达到最优决策效果。深度强化学习在强化学习优秀决策能力的基础上进一步结合了深度学习的感知能力,通过利用神经网络来提取智能体状态,使得算法更加强大。自提出以来,深度强化学习在理论研究和工程应用方面均取得了显著的成果,如DQN算法、Alpha Go等,让深度强化学习算法更进一步地应用于各个领域。强化学习可以无模型无监督地来让计算机进行智能决策,具有适用范围广泛、通用性强、不依赖样本等优点,具有广阔的应用前景。因此,研究深度强化学习在智能决策领域具有重要的理论价值和工程应用价值。本文基于深度强化学习算法对路径规划和目标分配中的智能决策问题进行研究。在路径规划问题中,本文根据应用场景的复杂程度,分别形式化表示了4个具有不同环境的路径规划问题。针对以上四个问题,分别进行马尔可夫决策过程建模,进而提出或实现了多个强化学习和深度强化学习决策算法,并进行实验验证。以此探索强化学习和深度强化学习算法在路径规划问题上的可行性。按照由简单到复杂的研究路线,本文训练出了在不同环境下决策效果优秀的路径规划智能决策模型在目标分配问题中,本文将问题分别表示为不考虑时间因素的目标分配问题和考虑时间因素的目标分配问题,并通过遗传算法和深度强化学习算法对问题进行求解。通过对比求解结果,探究深度强化学习算法在目标分配问题上的可行性和效果。首先,针对不考虑时间因素的目标分配问题,本文使用遗传算法和微生物遗传算法进行建模求解。其中,微生物遗传算法能够更快地计算出不考虑时间因素的目标分配问题的最优解。其次,针对考虑时间因素的目标分配问题,本文进行马尔可夫决策过程建模,探索基于深度强化学习算法的目标分配决策模型,提供了解决目标分配问题的另一种方案。本文对提出的基于深度强化学习的多个路径规划和目标分配智能决策方案进行了实现,并进行了大量的实验验证。实验结果表明,本文提出的建模方法和解决方案可以达到预期目标,并为下一步在复杂场景的应用和部署提供了支持。