在强化学习 (RL) 中，策略是指智能体用来决定在环境的不同状态下采取哪些行动的策略或规则集。策略的核心是定义智能体的行为：它将观察（状态）映射到行动，指导智能体在任何给定情况下该做什么。例如，在像国际象棋这样的游戏中，策略可能会根据当前的棋盘配置来决定移动哪个棋子。策略可以很简单（像查找表），也可以很复杂（像神经网络），具体取决于问题的复杂性。策略的最终目标是通过做出最佳决策来最大化智能体随时间收到的累积奖励。
策略可以是确定性的，也可以是随机性的。确定性策略总是为给定的状态选择相同的行动，例如机器人在网格世界中遵循固定路径。相比之下，随机策略为不同的行动分配概率，允许智能体探索和处理不确定性。例如，自动驾驶汽车可能会使用随机策略来偶尔测试交通中的替代路线，从而平衡探索（尝试新行动）和利用（使用已知的有效行动）。策略通常在使用 Q 学习、策略梯度或 Actor-Critic 方法等算法的训练期间进行更新。例如，在 Q 学习中，智能体学习一个 Q 表，该表估计状态中行动的价值，策略可能涉及选择具有最高 Q 值的行动。
策略的设计直接影响智能体学习的效率。设计不佳的策略可能会陷入次优行为，而结构良好的策略可以适应动态环境。例如，在迷宫求解任务中，优先朝着目标移动同时避开墙壁的策略将比随机游走的策略学习得更快。现代 RL 框架，例如深度 Q 网络 (DQN) 或近端策略优化 (PPO)，使用神经网络来表示策略，使它们能够处理高维输入，例如图像或传感器数据。开发人员经常试验策略架构、探索策略和奖励塑造，以提高学习效率。总而言之，策略是 RL 智能体的支柱，定义了它如何与环境交互以及如何通过经验演变。