您描述的问题可以形式化为马尔可夫决策过程，这是强化学习的基础问题。概括地说，强化学习关注给定环境（房间）中的代理（机器人）如何采取行动（从一种状态到另一种状态的移动）以最大化某种奖励概念。

形式化您的问题需要定义 MDP 模型的几个部分：

• 状态集$S$
• 一组动作$A$
• 奖励函数，定义到达给定状态的奖励。在您的情况下，的简单方案是一种选择。$R(s)$$R(s) = \mathbb{1}(s = s_{goal})$
• 一个转移函数给出了在状态中从状态采取行动结束的概率。（请注意，您可以通过为单个来模拟确定性转移。 )$T(s,a,s')$$s'$$a$$s$$1$$s'$

如果问题无限持续，您还需要折扣因子。$\gamma$

在强化学习中，术语最优策略描述了一个函数，它返回从给定状态采取的最佳行动。即，这给出了您正在寻找的建议。

如果您了解上述所有模型组件，或者至少可以推导出与您的问题相匹配的组件，您可以使用各种规划算法来找到最优策略，例如值迭代或策略迭代。

如果你不知道奖励和转换——例如，机器人正在寻找连接到充电站的传感器，而你不知道它在哪里或封闭房间的大小——你可能需要探索观察动作结果对的算法，并尝试从这些学习片段中学习最优策略。

对这些的完整描述超出了您的问题范围，但一个很好的起点是 Sutton & Barto 的强化学习：简介。一个html 版本是免费提供的。另一个资源是佐治亚理工学院制作的RL udacity 课程。

在您的示例中，您可能还想研究基于潜力的奖励函数。非常松散地，一个潜力可能是机器人到目标状态的距离，奖励将基于这个潜在值的变化。（这在 Ng、Harada 和 Russell 的论文以及上述 GA 技术课程的第 6 单元中进行了描述。）

我认为你需要使用 Reinforcement learning Reinforcement learning。用于 python 的 Pybrain 库有一个与您的任务机器人探索迷宫类似的示例。

除非您知道整个最佳路径，否则您无法知道下一个最佳步骤。您的任务类似于TSP（旅行推销员问题）。

那么，如何找到最佳路径呢？

可能您可以对每个州添加处罚（未知）。然后你可以将你的目标定义为总惩罚最小的路径。

（对于您示例楼层中的机器人，将受到 0 罚分，而一些障碍物将受到 >0 罚分）。

据我所知，除非您的任务有额外的限制，否则您无法避免通过所有可能的路径进行暴力破解。

您需要使用已有的数据来估算处罚。（因此，惩罚是机器学习任务中的参数）当您估计惩罚时，您可以计算每条路径的总惩罚，因此您可以通过蛮力找到所有路径并找到“最佳”路径。（惩罚最小）