隨著汽車起重機的不斷發展，錫林浩特汽車吊吊裝它在工程中的應用越來越多。由于起重機在起重過程中需要人工控制和決定，因此不可避免地會出現操作錯誤或方案規劃不合理。針對上述問題，提出了多任務路徑規劃算法和起重規劃算法，以協助起重人員進行起重操作。

目前，汽車起重機在起重過程中主要是手動操作，但在許多其他領域，已經開始使用深度強化學習來實現無人操作。汽車起重機作為一個大國，起重機也在向智能化方向發展。將其應用到汽車起重機的起重規劃中，對于加快起重機的智能化步伐具有重要意義。在汽車起重機的路徑規劃中，傳統的路徑規劃方法將更有效；對于起重機的動作序列規劃，基于強化學習的方法更適合起重機的起重動作序列規劃。例如，強化學習中的深度確定性策略梯度算法（Deepdermisticpolicpolicpolicpolicpolicpolicpolicpolicthm、DDPG）的輸出是連續動作，起重機提取目標的過程也是一系列連續動作的集合，因此具有理論可行性：

（1）分析了汽車起重機多任務路徑規劃算法的必要性和可行性。在設計多任務路徑規劃算法時，需要規劃多任務之間的全面順序和路徑，選擇優化目標點的全面順序，主要分析螞蟻群算法、遺傳算法和粒子群算法，以佳性能的遺傳算法作為優化算法。錫林浩特汽車吊吊裝通過將JPS算法與單任務路徑規劃算法中的遺傳算法相結合，實現了汽車起重機的多任務路徑規劃；

（2）研究了汽車起重機吊裝時的動作序列，并設計了基于改進DDPG算法的汽車起重機動作序列規劃算法。首先，設計了起重機的吊裝環境，建立了起重機的狀態和動作模型，并設計了動作序列的獎勵函數。然后根據汽車起重機的吊裝環境，設計和優化了DDPG算法中的網絡框架、超參數和激活函數。根據DDPG算法在離線培訓中生成樣本的特點，改進了DDPG算法中的采樣函數，使改進后的DDPG算法具有更好的收斂效果。改進后的DDPG算法與汽車起重機的空載吊裝環境和負載吊裝環境相結合，完成了汽車起重機動作序列規劃算法的設計；

將多任務路徑規劃算法與動作序列規劃算法相結合，錫林浩特汽車吊吊裝實現了汽車起重機的多任務起重規劃。并以風機場和化工廠作為虛擬環境進行了驗證，結果表明了規劃汽車起重機多任務起重方案時兩種算法的可行性。