强化学习作为人工智能领域的重要分支，近年来在游戏智能体设计中展现出巨大潜力。

PacMan作为经典街机游戏，其环境复杂多变、决策空间庞大，为强化学习算法的研究提供了理想平台。

本文首先介绍强化学习和PacMan游戏的相关概念，然后梳理了强化学习应用于PacMan游戏的国内外研究现状，并对现有研究方法进行分类阐述，包括基于值函数、策略梯度和模型学习等方法。

此外，本文还分析比较了不同方法的优缺点和适用场景，并探讨了未来可能的研究方向，例如深度强化学习、多智能体强化学习等。

关键词：强化学习；PacMan游戏；智能算法；游戏AI；深度强化学习

人工智能（ArtificialIntelligence，AI）致力于使计算机模拟人类智能，在游戏领域应用广泛。

游戏AI旨在赋予游戏角色自主决策能力，增强游戏可玩性和挑战性。

PacMan是一款经典街机游戏，其目标是控制角色吃掉迷宫中的所有豆子，同时躲避敌人的追捕。

该游戏环境复杂多变，智能体需要根据当前状态做出最优决策，对AI算法提出较高要求。

强化学习（ReinforcementLearning，RL）作为机器学习的一种，通过智能体与环境交互学习最优策略，近年来在游戏AI领域取得显著成果。