资源分配,即如何调整资源和目标之间的分配关系来达到最大的分配效果。资源分配问题广泛存在于民用场景和军用场景,例如火力资源分配、电力资源分配和应急物资分配等都是资源分配问题的典型应用。强化学习是一类机器学习方法,是推动从弱人工智能走向强人工智能的关键技术之一。强化学习的关键在于策略,智能体通过与环境互动来学习策略。智能体首先获取环境中的状态,并在当前状态根据策略选择动作,从而使环境状态发生变化。在状态更新后,环境将新的状态和奖励返回给智能体;智能体进一步根据奖励来更新策略。深度强化学习是在强化学习的基础上使用深度神经网络,在智能决策的基础上进一步提高了模型的感知能力。本文首先基于深度强化学习算法对资源分配问题进行研究。在资源分配问题中,本文根据环境状态建模的复杂程度,设计了2个马尔可夫决策模型,设计和实现了多个深度强化学习算法,并进行实验验证,以此研究建模合理性和深度强化学习算法在资源分配问题上的可行性,最终训练出决策能力好的深度强化学习算法模型。在使用深度强化学习算法对资源分配问题进行研究的基础上,本文进一步将专家经验与深度强化学习算法相结合,通过实验来探究引入专家数据对资源分配算法性能的影响,最后,对本文中使用的方法的表现和效果进行综合评估对比,分析各方法的表现。本文对提出的资源分配问题解决方案进行了仿真验证,并做了大量对比实验。实验结果表明,本文提出的算法可以有效处理资源分配问题,并为下一步的研究提供了基础。