在强化学习 (RL) 中，策略定义了智能体在不同情况下如何决定采取哪些行动。 本质上，它是一组规则或一种策略，将智能体的当前状态（它对环境的观察）映射到行动。 策略可以是确定性的，其中特定状态总是导致相同的行动，也可以是随机性的，其中策略输出每个可能行动的概率。 例如，在一个智能体在迷宫中导航的网格世界游戏中，确定性策略可能总是在特定单元格中向左移动智能体，而随机策略可能会分配 70% 的概率向左移动，30% 的概率向上移动。 策略是塑造智能体行为的核心组成部分，而改进策略是大多数 RL 算法的主要目标。
策略是通过与环境的交互来学习的。在训练期间，智能体尝试行动、观察奖励（反馈），并调整其策略以最大化随时间的累积奖励。例如，在 Q 学习中，智能体会构建一个表格（Q 表），用于估计每个状态-动作对的预期奖励。 此处的策略可能是始终选择具有最高 Q 值（贪婪策略）的行动。 相比之下，策略梯度方法通过使用预期奖励的梯度上升来调整其参数，从而直接优化策略。 一个实际的例子是训练机器人行走：策略可以是一个神经网络，它将传感器数据作为输入并输出关节扭矩值。 网络参数会更新，以增加导致成功运动的行动的可能性。
策略的设计会显着影响智能体的性能和学习效率。 像查找表这样的简单策略适用于小状态空间，但在视频游戏或自动驾驶等复杂环境中会失败。 在这里，神经网络通常用作函数逼近器，以跨状态进行泛化。 策略还在探索（尝试新行动）和利用（使用已知的有效行动）之间取得平衡。 例如，Q 学习中的 epsilon-贪婪策略以概率 epsilon 随机探索，同时利用已知的最佳行动。 设计不佳的策略可能会陷入次优行为，而调整良好的策略可以适应动态环境。 最终，该策略封装了智能体的决策逻辑，使其成为 RL 系统设计中的一个关键焦点。