在强化学习 (RL) 中，动作是指智能体为了与环境互动而做出的决策。 这些选择直接影响环境的状态，并决定智能体收到的反馈（奖励或惩罚）。 动作是 RL 循环的核心组成部分：智能体观察当前状态，根据其策略选择一个动作，然后转换到新的状态，同时获得奖励。 例如，在吃豆人游戏中，动作可能是向左、向右、向上或向下移动，以躲避鬼魂并收集积分。 智能体的目标是学习一种策略（策略），通过在不同的状态中选择最有效的动作，来最大化随着时间的推移获得的累积奖励。
根据问题的不同，动作可以是离散的或连续的。 离散动作是有限且不同的，就像在视频游戏中选择一组按钮一样。 连续动作涉及一系列可能的值，例如调整自动驾驶汽车的油门。 例如，机器人手臂抓取物体时，可能会使用连续动作来微调电机扭矩。 动作空间的类型会影响算法的选择：Q-learning 适用于离散动作，而策略梯度方法（如近端策略优化 (PPO)）可以处理连续控制。 设计动作空间需要平衡复杂性——过多的选项会减慢学习速度，而过于简单的动作可能会限制智能体实现目标的能力。
动作的选择由智能体的策略指导，该策略将状态映射到动作。 在训练期间，智能体通过采取随机或不确定的动作来探索，以发现高奖励策略，然后利用已知的有效动作。 诸如 epsilon-greedy（以 epsilon 概率选择随机动作）或 Boltzmann 探索（基于动作值以概率方式选择）之类的技术可以平衡这种权衡。 例如，在训练 RL 智能体下棋时，早期的片段可能涉及随机移动（探索），但随着时间的推移，智能体会优先考虑导致将死的移动（利用）。 动作是智能体学习的核心：每个选择都提供数据来改进策略，从而使动作选择成为有效解决 RL 问题的关键因素。