强化学习 (RL) 中的动作是指代理为影响其环境而做出的选择或动作。这些动作是代理与环境交互的方式，旨在以最大化未来回报的方式从一种状态过渡到另一种状态。动作空间可以是离散的 (例如，网格中的左、右、上、下) 或连续的 (例如，调整汽车的速度)。
在RL中，动作可以具有即时或延迟的效果。例如，代理可能会采取不会立即产生奖励的行动，但会在未来带来更好的结果，例如更接近目标。操作通常由代理的策略选择，该策略根据当前状态指示要采取的操作。
代理人选择正确行动的能力对于学习过程的成功至关重要。代理可用的动作集可以根据环境和当前状态而变化。RL的一个关键挑战是在探索新行动与利用已知成功行动之间取得平衡。