随着机器人在实际生活中的应用越来越广泛,人们对机器人的智能提出了新的要求。将强化学习应用到机械臂控制中,正在成为人工智能领域新的研究热点。强化学习主要是一个“怎样做”-“怎样使状态与动作映射”-“怎样最大化奖赏信号”的学习过程。强化学习不需要环境的完整模型,智能体通过与环境的交互不断学习,获得知识以完成任务,在人工智能方面特别是机器人控制方面得到越来越多的应用。本文主要研究机械臂控制问题,分析了现有学习方法,并将强化学习应用到机械臂控制上来。本文将研究对象系统学习模型通过一定的分析和简化,转化为一个平面4自由度的机械臂的学习系统,并对这个系统进行研究,将系统的环境状态变量细化,明确了系统变量和实际研究内容,同时对整个学习控制系统进行了简单的数学描述。针对强化学习收敛慢和容易出现“维度灾”缺点,将学习系统中的连续状态空间进行分析和处理,转化为离散的状态空间,以适合强化学习的应用;并分析系统的信度分配,重点分析了时间信度分配和结构信度分配,提出了解决方法。通过分析与对比几种主要强化学习方法,研究了强化学习模型和关键元素,找到适合本文使用的基本强化学习方法,结合两层强化学习思想,给出了本文系统的具体方法。在Windows操作系统下使用VC++2003.net编写了一个适合本文研究的仿真实验平台,对照实际环境分析了仿真实验的环境状态,并对算法的关键参数做了简单分析,进行了一般强化学习方法和本文所用强化学习方法的仿真实验,通过对比两种实验的结果,证明了强化学习方法的有效性以及本文方法的合理性。