Q-Learning算法是一種基於價值函式的強化學習方法，它通過學習一個狀態-動作值函式（Q函式）來解決智慧型體在給定環境下的最優決策策略問題。
在Q-Learning中，Q函式表示在狀態s下執行動作a所能獲得的最大獎勵值。算法的目標是最大化這個Q值。為了實現這一目標，Q-Learning使用一個表格（Q表）來存儲不同狀態下不同動作的Q值估計。在每次環境狀態轉移時，會根據Q-Learning算法選擇最佳動作，然後更新Q表中該狀態的相應Q值。更新規則是使用貝爾曼方程，該方程基於當前估計值和實際獎勵之間的差異進行更新。
Q-Learning是一種無模型學習方法，這意味著它不需要了解環境的動態模型。這種方法依賴於試錯和基於策略的獎勵學習，它通過在環境中執行動作並觀察結果來逐漸學習和改善策略。Q-Learning算法在某些情況下能夠找到接近最優策略的解決方案，同時具有較高的收斂速度和廣泛的適用性。