增强学习（Q-learning）要解决的是这样的问题：一个能感知环境的自治agent，怎样通过学习选择能达到其目标的最优动作。这个很具有普遍性的问题应用于学习控制移动机器人，在工厂中学习最优操作工序以及学习棋类对弈等。当agent在其环境中做出每个动作时，施教者会提供奖励或惩罚信息，以表示结果状态的正确与否。例如，在训练agent进行棋类对弈时，施教者可在游戏胜利时给出正回报，而在游戏失败时给出负回报，其他时候为零回报。agent的任务就是从这个非直接的，有延迟的回报中学习，以便后续的动作产生最大的累积效应。

Q学习算法在确定性回报和动作假定下的Q学习算法：

（s表示状态，a表示动作，Q（s，a）表示对状态s下动作a得到的总体回报的一个估计，r为此动作的立即回报）

1。对每个s，a初始化表项Q（s，a）为0

2。观察当前状态s

3。一直重复做：

选择一个动作a并执行它，该动作为使Q（s，a）最大的a。

接收到立即回报r。

观察新状态s'。

对Q（s'，a'）按照下式更新表项：

Q（s，a）=r+gama * max Q （s'，a'）。

s=s'。