描述了借助于强化学习来训练控制策略的方法，其具有：执行多次强化学习训练遍历，在每次遍历中，针对代理的状态序列的每个状态从控制遍历的初始状态开始选择所要执行的行动，针对至少有些状态，通过指定计划范围来选择行动，该计划范围指定了状态数目；通过将回答集编程求解器应用于回答集编程程序，确定具有指定的状态数目的从相应状态出发可到达的状态的多个序列，该回答集编程程序对行动与通过这些行动所到达的后续状态之间的关系进行建模；选择在这些序列中提供最大回报的序列，其中由所确定的序列提供的回报是在到达该序列的状态时所获得的奖励的总和；并选择可用来从相应状态出发到达所选序列的第一状态的行动，作为针对相应状态的行动。