近年来,人工智能研究因数据量的增加与计算能力的提升在图像识别、自然语言处理、自动驾驶、智能家居、机器人等应用领域发展迅速,研究者们提出了各类优秀的人工智能算法,如支持向量机、决策树、卷积神经网络、循环神经网络、深度森林、深度强化学习等。深度强化学习是一种结合了深度学习与强化学习理念的算法,自其被提出起,就因其强大的学习能力被许多研究者视为实现通用人工智能的关键。强化学习算法最早出现于自动控制研究中,其仿照生物奖惩学习模式的算法理念可以在没有学习样本的前提下完成相关任务。随着深度学习相关算法的完善,有研究者将深度学习与强化学习相结合,提出了深度强化学习算法,解决了原有强化学习算法无法应对复杂环境的问题,在游戏智能、量化交易、自动驾驶、机器人等领域取得了优秀的成果。尽管深度强化学习算法在某些环境下表现优越,但是仍存在一些不足,如学习速度慢、学习效果不稳定等问题。针对这些问题,本文采用了遗传算法与进化策略中的部分理念,将原有的深度强化学习算法中加入选择、交叉、变异等遗传操作,并在遗传过程中采取精英策略,旨在提升原有算法的学习速度与稳定性。本文的优化研究主要分为两部分进行,第一部分是以Rainbow算法为基础强化学习算法,将遗传算法与深度强化学习算法相结合,根据Rainbow算法中的智能体结构对选择、交叉、变异等遗传操作进行重定义,提出遗传Rainbow算法;第二部分是在遗传Rainbow算法的基础上,将Rainbow算法替换为IQN算法,并仿照生物的基因特性为智能体加入血统因素,提升对智能体性能评估的准确性。本文的实验环境为Atari 2600中的Asterix与Assault环境。在将遗传Rainbow算法与基于IQN的血统遗传算法代入到相应环境后,本文从平均性能、最佳性能、平滑最佳性能等角度进行分析。实验证明,遗传Rainbow算法与Rainbow算法相比,各方面表现均有所提升。基于IQN的血统遗传算法不仅性能优于IQN算法,且由于血统因素的加入,取得了比遗传Rainbow算法更好的提升效果,验证了血统遗传操作的优化作用。