（ウ）に最もよくあてはまる選択肢を 1 つ選べ.

強化学習では,行動を学習する（ア）と（ア）が行動を加える対象である（イ）を考え,行動に応じて（イ）は（ア）に状態と（ウ）を返す.行動と状態/（ウ）の獲得を繰り返し,最も多くの（ウ）をもらえるような方策を得ることが強化学習の目的である.