在强化学习（Reinforcement learning)中，学习主体自身通过训练，误差和反馈，学习在环境中完成目标的最佳策略。我们并没有直接告诉主体要做什么或采取那个动作，而是主体通过看那个动作得到了最多的奖励来自己发现。
强化学习由四部分组成：策略 奖励函数 值映射 和一个环境模型。
设计强化学习算法是要考虑三方面问题。
一，如何表示状态空间和动作空间。
二，如何选择建立信号以及如何通过学习来修正不同状态－动作对的值。
三, 如何根据这些值来选择适合的动作。
用强化学习方法研究未知环境下的机器人导航，由于环境的复杂性和不确定性，这些问题变得更复杂。
所谓强化学习是指从环境状态到动作映射的学习，以使动作从环境中获得的累积奖赏值最大．该方法不同于监督学习技术那样通过正例、反例来告知采 取何种行为，而是通过试错(trial and error)来发现最优行为策略。常用的强化学习算法包括TD(Temporal Difference)算法、Q学习算法、Sarsa算法等
标准的强化学习，智能体作为学习系统，获取外部环境的当前状态信息s，对环境采取试探行为u，并获取环境反馈的对此动作的评价r和新的环境状 态。如果智能体的某动作u导致环境正的奖赏(立即报酬)，那么智能体以后产生这个动作的趋势便会加强；反之，智能体产生这个动作的趋势将减弱。在学习系统 的控制行为与环境反馈的状态及评价的反复的交互作用中，以学习的方式不断修改从状态到动作的映射策略，以达到优化系统性能目的。
据此可得出强化学习的目标是：学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价 (或整个系统的运行性能)最佳。
http://en.wikipedia.org/wiki/Reinforcement_learning
