强化学习（Reinforcement Learning，RL）是一种机器学习方法，强化学习的基础框架是马尔可夫决策过程，它允许智能体（Agent）能够在与环境（Environment）的交互中通过试错来学习最优策略。智能体在环境中执行行动（Action），并根据行动的结果接收反馈，即奖励（Reward）。这些奖励信号指导智能体调整其策略，以最大化长期累积奖励。

强化学习（Reinforcement Learning，简称RL）是机器学习的一个重要分支，它研究的是智能体如何采取行动以适应环境，从而最大化某种累积奖励。智能体没有被告知要采取哪些行动，而是必须通过尝试来发现哪些行动能产生最多的奖励。最具挑战性的是，本次行动不仅影响本次的奖励，还可能影响下一个状态，进而影响所有后续的奖励。这两个特点（试错搜索和延迟奖励）是强化学习的两个最重要的特征。