公路选线设计是一个综合多个专业的复杂设计工作。鉴于该项工作的重要性与复杂性,选线工作与研究人员不断优化和改进其工作方法,智能优化、知识工程等人工智能方法已应用于该项工作,但方法仍有待于完善。为此,论文提出了基于深度强化学习的公路路线生成方法。采用DQN(Deep Q Network)算法生成顾及高程信息的路线初始路经,再通过动态判定框及平纵优化,得到满足设计规范的路线平面及纵断面。论文主要进行了以下几个方面的工作:(1)提出了基于深度强化学习的公路路线设计方法体系。基于国内外文献分析,结合公路选线的特性,利用深度强化学习方法生成一定地理环境下的公路路线初始路经。然后,根据自己设计的动态判定框,以及平纵优化方法,把初始路径拟合为满足设计规范的路线平面与纵断面。实现了公路路线设计方法的革新。(2)实现了基于深度强化学习的最优路径生成。首先把路线初始走向生成问题描述为马尔科夫决策过程,即把每步移动表示为智能体在某种状态下所采取行为。然后构建选线问题的强化学习模型,借助GIS平台提取选线区域环境信息,将其整合为智能体探索路径的基础环境,设计合理的奖惩函数。再采用DQN算法,学习路线策略,在现有的环境条件下,生成最优公路初始路径走向。(3)提出了基于动态判定框的公路平、纵断面线形优化匹配方法。针对过去采用拟合方法无法直接确定路线要素的问题,设计一种动态判定框划分合理分段的方法,采用一系列可变范围的矩形框划分路线分段,并对直线与曲线要素进行拟合、判别、调整,最终生成符合设计规范的公路路线。(4)程序开发与方法验证。综合深度强化学习、GIS、数值分析等相关技术,基于Python语言框架开发基于深度强化学习的公路智能选线系统。并采用具体工程实例作为算例进行验证,证明了方法的可行性。论文的研究成果表明,应用所提方法可以有效探索出满足约束条件的较优路线方案,所选线路能绕避不利环境和适应地形,经济合理,方案可行。可为公路路线设计人员在工程设计初期提供可靠的路线参考方案。