Bestärkendes Lernen (Reinforcement Learning) ist ein Verfahren des maschinellen Lernens, bei dem ein „Agent“ durch Ausprobieren von Handlungen in einer Umgebung lernt. Ziel ist, durch Belohnungen und ggf. Strafen eine Strategie (Policy) zu entwickeln, die den langfristigen Gesamtnutzen maximiert. Typisch ist die Modellierung als Zustände, Aktionen und Belohnungen, z. B. in Markow-Entscheidungsprozessen; der Agent verbessert sein Verhalten schrittweise über viele Interaktionen. In der öffentlichen Verwaltung kann dies etwa bei der dynamischen Steuerung von Ressourcen oder der Optimierung von Einsatz- und Terminplänen eingesetzt werden, sofern Ziele und Nebenbedingungen klar definiert und kontrolliert sind.