强化学习中的奖励塑造涉及修改奖励函数，以在学习过程中向代理提供更有用的反馈。目标是通过提供中间奖励或更结构化的反馈来更有效地引导代理实现所需的行为。
在传统的RL中，代理仅根据其行动的最终结果 (例如赢得比赛或达到目标) 获得奖励。然而，奖励整形为中间步骤引入了额外的奖励，帮助智能体更快地学习。例如，在解决迷宫的任务中，代理可能会因接近目标而获得少量奖励，而不仅仅是在完成时。
虽然奖励塑造可以加速学习，但重要的是要确保额外的奖励不会无意中改变最佳策略。需要仔细设计，以确保整形不会导致原始问题中不存在的次优行为。