研究了一种雷达任务调度的强化学习（RL）方法，以提高性能成本，同时节省运行时间。雷达任务调度问题被转换为 RL 环境，其中观察空间是雷达任务参数，行动空间是在时间窗口内移动每个任务的值。这种环境中的一个事件与任务序列开始时间的随机移动非常相似。使用了基本的 RL 算法来训练每个任务应向哪个方向移动多少的策略。在 10 个任务序列中使用这种方法，发现成本明显优于最早开始时间（EST）。不过，与其他方法相比，这种方法的执行速度较慢。要改进这一模型，可以创造更好的环境以减少不必要的移动次数，也可以使用不同的模型/算法来代替所使用的基本 RL 算法，还可以调整超参数以提高不同任务序列之间的通用性。

认知雷达使用基于人工智能（AI）/机器学习（ML）的技术，这样雷达就能根据不断变化的环境进行自我调整。所提出的强化学习（RL）算法创新性地将机器学习融入雷达调度，为现实世界中的雷达调度问题提供了成本更低的解决方案。